Quantitative Linguistik Quantitative Linguistics: Ein Internationales Handbuch An International Handbook (Handbücher zur Sprach- und Kommunikationswissenschaft)

Quantitative Linguistik / Quantitative Linguistics HSK 27

≥

Handbücher zur Sprach- und Kommunikationswissenschaft Handbooks of Linguistics and Communication Science Manuels de linguistique et des sciences de communication Mitbegründet von Gerold Ungeheuer (†) Mitherausgegeben 1985⫺2001 von Hugo Steger

Herausgegeben von / Edited by / Edite´s par Herbert Ernst Wiegand Band 27

Walter de Gruyter · Berlin · New York

Quantitative Linguistik Quantitative Linguistics Ein internationales Handbuch An International Handbook

Herausgegeben von / edited by Reinhard Köhler · Gabriel Altmann Rajmund G. Piotrowski

Walter de Gruyter · Berlin · New York

앝 Gedruckt auf säurefreiem Papier, das die 앪

US-ANSI-Norm über Haltbarkeit erfüllt.

ISBN-13: 978-3-11-015578-5 ISBN-10: 3-11-015578-8 Library of Congress Cataloging-in-Publication Data Quantitative Linguistik : ein internationales Handbuch ⫽ Quantitative linguistics : an international handbook / edited by Reinhard Köhler, Gabriel Altmann, Rajmund G. Piotrowski. p. cm. ⫺ (Handbücher zur Sprach- und Kommunikationswissenschaft ⫽ Handbooks of linguistics and communication science ; 27) Parallel text in German and English. Includes bibliographical references and indexes. ISBN-13: 978-3-11-015578-5 (alk. paper) ISBN-10: 3-11-015578-8 (alk. paper) 1. Mathematical linguistics. I. Title: Quantitative linguistics. II. Köhler, Reinhard. III. Altmann, Gabriel. IV. Piotrovskiæi, Raæimond Genrikhovich. V. Handbücher zur Sprach- und Kommunikationswissenschaft ; Bd. 27. P138.Q36 2005 410.1151⫺dc22 2005027011

Bibliografische Information der Deutschen Bibliothek Die Deutsche Bibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über ⬍http://dnb.ddb.de⬎ abrufbar. 쑔 Copyright 2005 by Walter de Gruyter GmbH & Co. KG, D-10785 Berlin Dieses Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt. Jede Verwertung außerhalb der engen Grenzen des Urheberrechtsgesetzes ist ohne Zustimmung des Verlages unzulässig und strafbar. Das gilt insbesondere für Vervielfältigungen, Übersetzungen, Mikroverfilmungen und die Einspeicherung und Verarbeitung in elektronischen Systemen. Printed in Germany Satz: Meta Systems, Wustermark Einbandgestaltung und Schutzumschlag: Rudolf Hübler, Berlin

Vorwort Die quantitative Linguistik als wissenschaftliche Disziplin unterscheidet sich hinsichtlich ihres Gegenstands und Erkenntnisinteresses prinzipiell nicht von den anderen Forschungsrichtungen innerhalb der Sprachwissenschaft. Ihr Charakteristikum ist ein methodisches: die Einbeziehung sämtlicher mathematischen Hilfsmittel in ihr Instrumentarium, d. h. vor allem der quantitativen Methoden in Erweiterung und Ergänzung der in anderen Bereichen der Linguistik eingeführten und üblichen formalen Methoden (Logik, Mengentheorie, Algebra etc.), von einfachen, elementaren Verfahren wie dem Zählen von Einheiten und dem Feststellen von (metrisierten) Merkmalsausprägungen bis hin zu anspruchvollsten Modellbildungen. Dennoch zeichnet sie sich in der Wissenschaftspraxis gegenüber formalen, qualitativen Ansätzen auch dadurch aus, dass sie aufgrund intensiver wissenschaftstheoretischer Reflexion den in den Naturwissenschaften etablierten, bewährten und in der Wissenschaftstheorie philosophisch abgesicherten Theorie- und Gesetzesbegriff übernommen hat. Dadurch steht sie auch methodologisch den Naturwissenschaften näher als die formalen Ansätze, die sich an nicht-empirischen, axiomatischen Systemen orientieren. In der theoretischen quantitativen Linguistik geht es entsprechend um die Konstruktion einer Sprachtheorie in Form nomologischer Netze, die zur Einlösung eines sprachwissenschaftlichen Erklärungsanspruchs zwingend erforderlich ist, während die Aufstellung ebenfalls meist „Theorien“ genannter axiomatischer Systeme in Form von Algebren oder mengentheoretischen Konstrukten nicht zu einer Erklärung empirischer Befunde zu führen vermag. Eine dem entsprechend zentrale Rolle kommen in der quantitativen Linguistik der deduktiven Ableitung von Hypothesen und dem exakten Testen dieser Hypothesen durch Gegenüberstellung mit geeigneten empirischen Daten zu. Wie in allen anderen empirischen Wissenschaften nimmt in der Praxis der quantitativen Linguistik der Bereich der Theoriebildung und der Suche nach Gesetzen ⫺ gemessen an der insgesamt geleisteten Forschungsarbeit und der veröffentlichten Literatur ⫺ nur einen relativ geringen Raum ein. Der Versuch eines Überblicks in Form des vorliegenden Handbuchs durfte sich nicht auf die wissenschaftstheoretisch anspruchsvollsten Teilbereiche konzentrieren; vielmehr sollten ihre verschiedenen Aspekte ohne Wertung umfassend dokumentiert werden. Zu diesen Aspekten gehören insbesondere 1. die Metrisierung (Quantifizierung, Meßbarmachung) von sprachlichen Entitäten und Eigenschaften, also die Schaffung der Möglichkeit, aufgrund von Operationalisierung und Messung quantitative Daten aus sprachlichem Rohmaterial zu erzeugen, 2. die quantitative Analyse und Beschreibung sprachlicher und textueller Objekte, 3. die numerische Klassifikation sprachlicher und textueller Objekte zum Zweck weitergehender Untersuchungen oder für praktische Zwecke, 4. die Entwicklung und Anwendung statistischer Testverfahren zum diagnostischen Vergleich von sprachlichen und textuellen Objekten und zur Entdeckung von Tendenzen, 5. die Modellbildung mit Hilfe quantitativer Modelle und Methoden der Mathematik,

VI

Vorwort

6. die Theoriebildung durch Suche nach universellen Sprach- und Textgesetzen und ihre Einbettung in ein umfassendes nomologisches Netz, 7. die Erklärung sprachlicher Erscheinungen mit Hilfe einer Theorie, 8. die Einbettung der Linguistik in ein allgemeines Gefüge der Wissenschaften, d.h. die Herstellung bzw. Aufdeckung interdisziplinärer Bezüge in Form von Generalisierungen, Analogien oder Spezialisierungen, 9. die Ausarbeitung einer spezifisch linguistischen Methodologie unter Berücksichtigung der besonderen Eigenheiten des linguistischen Untersuchungsgegenstands, 10. praktische Anwendungen in verschiedenen Bereichen, u. a. in Lehr- und Lernzusammenhängen, Psychologie/Psycholinguistik/Psychiatrie, Stilistik/Forensik, Computerlinguistik und Sprachtechnologie, Dokumentationswissenschaften, Inhaltsanalyse, Sprachplanung, Medienwissenschaften u. v. m. Mit diesem Handbuch soll ein möglichst umfassender Überblick über den Gegenstand, die Geschichte, die wissenschaftstheoretischen Voraussetzungen und den Stand der Forschung der quantitativen Linguistik gegeben werden. In einem einleitenden Kapitel (Kapitel I) werden allgemeine Informationen zum Gegenstand, zu den wissenschaftstheoretischen Grundlagen und zur Geschichte der quantitativen Linguistik mit Einzeldarstellungen von Werken hervorragender Forscher (G. K. Zipf und W. Fucks) sowie Übersichtsartikel über die Forschungsarbeiten in ausgewählten Ländern zusammengefasst. Die Kapitel II bis X widmen sich den wichtigsten Gebieten und Phänomenen, geordnet nach linguistischen Analyseebenen und Forschungsansätzen: Phonologie (Kapitel II), Morphologie (Kapitel III), Syntax (Kapitel IV), Lexikologie und Lexikographie (Kapitel V), Text (Kapitel VI), Semantik und Pragmatik (Kapitel VII), Geolinguistik und Dialektologie (Kapitel VIII), Typologie (Kapitel IX), und Diachronie (Kapitel X). In Kapitel XI wird die Arbeitsweise der quantitativen Linguistik exemplarisch an einigen der wichtigsten Modelle, Hypothesen und Gesetze verdeutlicht. Kapitel XII stellt Bezüge der quantitativen Linguistik zu anderen wissenschaftlichen Disziplinen vor und präsentiert Beispiele für Gebiete, in denen Methoden und Modelle der quantitativen Linguistik oder Resultate wie Daten oder Verfahren angewendet werden. Das abschließende Kapitel XIII bietet einen Überblick über die wichtigsten Aspekte der Organisation der quantitativen Linguistik als Fach und über ihre Hilfsmittel (Bibliographien, Publikationsforen etc.). Alle Artikel schließen mit einer Auswahlbibliographie. Am Ende des Bandes findet sich ein Personen- und Sachregister. Einige Gebiete und Forschungsrichtungen (wie Soziolinguistik und Sprachvariation, Psycholinguistik, Inhaltsanalyse u. a.) wurden in dem vorliegenden Handbuch nicht berücksichtigt, obwohl sie ⫺ zumindest in Teilbereichen ⫺ aus methodologischer Sicht mit gleichem Recht wie die hier aufgenommenen zum Gegenstand dieses Handbuchs hätten gezählt werden können. Ein Grund dafür liegt darin, dass einigen ihnen bereits eigene Handbücher gewidmet wurden oder eine andere Form ausführlicher Dokumentation ihres Forschungsstands vorliegt oder in Vorbereitung ist. Adressaten des Handbuchs sind neben Forschern, Lehrenden und Studierenden aller Zweige der Sprachwissenschaften einschließlich der Philologien auch Wissenschaftler benachbarter Fächer, deren theoretische und empirische Forschung sprachwissenschaftliche Fragen berührt (wie Psychologie und Soziologie) bzw. die bewährte Methoden oder Resultate aus der quantitativen Linguistik für die eigenen Fragestellungen nutzbar machen wollen (wie die Musikologie).

Vorwort

VII

Für die meisten Artikel des Handbuchs konnten die weltweit angesehensten Fachleute aus Europa, Asien und Amerika als Autorinnen und Autoren gewonnen werden. Wie es wohl unvermeidlich im Zusammenhang mit solchen großen Projekten ist, schieden im Laufe der Vorbereitungen aus verschiedensten Gründen einige der ursprünglich vorgesehenen Autoren aus. Denen, die freundlicherweise (zum Teil bereits zu einem späten Zeitpunkt) vakant gewordene Artikel übernahmen und unter Zeitdruck arbeiten mussten, sei an dieser Stelle besonders gedankt. Auch denen, die ihre Beiträge termingerecht eingereicht hatten und sie später aktualisieren mussten, gebührt Dank, vor allen denen, die uns Geduld und Verständnis entgegenbrachten. Ebenso möchten wir dem Reihenherausgeber, Herbert Ernst Wiegand, sowie Barbara Karlson und Monika Wendland vom Verlag Walter de Gruyter für die gute Zusammenarbeit danken. Oktober 2004

Reinhard Köhler, Gabriel Altmann, Raijmund G. Piotrowski

Preface Quantitative Linguistics as a scientific discipline actually does not differ substantially from common research in linguistics in terms of its subject nor in its main issues. Its characteristic is rather a methodological one: the scope of its instruments includes all of the mathematical tools, i. e. especially quantitative methods expanding and supplying the formal methods introduced and practised in other areas of linguistics (logic, set theory, algebra etc) ranging from the most simple elementary procedures like counting of units and recording of (metric) forms of features up to the most sophisticated modelling. In fact, compared with formal approaches in the qualitative paradigm, its particular advantage in scientific work are the concepts of theory and law imported from the natural sciences based on careful epistemic consideration: concepts that have been well-established and proven there, capable of referring to epistemology for philosophical foundation. Thereby it is closer related to the natural sciences also in respect of its methodological framework than those formal approaches that refer to nonempirical, axiomatic systems. Accordingly theoretical quantitative linguistics is concerned with the construction of a theory of language in terms of nomological nets which is inevitably necessary to meet the linguistic requirements of explanation; while claiming axiomatic systems in terms of algebraic or set theoretical constructs, though often called “theories”, is not able to provide explanation of empirical findings. Correspondingly, deductive derivation of hypotheses just as the exact testing of these hypotheses by comparing them to the appropriate data is of central importance in quantitative linguistics. Like in any other empirical science, however, the field of theory construction and search for laws does not take up a lot of space in scientific practice of quantitative linguistics ⫺ relative to the total amount of research work and publications. Trying to give a survey with the present handbook by concentrating on the epistemologically most sophisticated parts would have been unfair; instead it was rather aimed to cover extensively all of its various aspects without making value judgements. In particular, these aspects include 1. metricizing (scaling, quantifying, making measurable, or quantitation, as M. Bunge calls it) of linguistic entities and qualities, and thereby providing the possibility of generating quantitative data from speech material based on operationalisation and measurement, 2. quantitative analysis and description of linguistic and textual objects, 3. numerical classification of linguistic and textual objects for the purpose of further investigation or for practical reasons, 4. development and application of statistical test procedures for diagnostic comparison of linguistic and textual objects and for trend detection, 5. modelling of linguistic structures, functions, and processes by means of quantitative models and mathematical methods, 6. theory construction by searching for universal laws of language and text and their embedding into an extensive nomological net, 7. explanation of linguistic phenomena (properties, structures, processes) by means of a theory,

Preface

IX

8. embedding of linguistics into a general system of sciences, i.e. establishing resp. exploring interdisciplinary relations in the shape of generalization, analogy or specification, 9. elaborating a genuine linguistic methodology with regard to the particular characteristics of the linguistic subject, 10. practical applications to various areas such as those in contexts of learning and teaching, psychology/psycholinguistics/psychiatry, stylistics/forensics, computational linguistics and language technology, documentation science, content analysis, language planning, mass communication research and more This handbook is aimed to provide a maximum comprehensive survey of subject, history, epistemological conditions and current state of research of quantitative linguistics. In an introductory chapter (chapter I) general information is summarized concerning object of research, epistemologic foundations and history of quantitative linguistics including individual accounts on the works of outstanding researchers (G. K. Zipf and W. Fucks) as well as survey articles on the research work in selected countries. Chapters II to X attend to the central areas and phenomena, sorted by levels of linguistic analysis and research frameworks: phonology (chapter II), morphology (chapter III), syntax (chapter IV), lexicology and lexicography (chapter V), text (chapter VI), semantics and pragmatics (chapter VII), geolinguistics and dialectology (chapter VIII), typology (chapter IX), and diachronics (chapter X). In chapter XI, the technique of quantitative linguistics will be illustrated exemplarily by some of the main models, hypotheses and laws. Chapter XII establishes the relations of quantitative linguistics to other scientific disciplines and presents areas where methods and models of quantitative linguistics or results like data or procedures are applied. The final chapter XIII provides a survey on the most important aspects of the structure of quantitative linguistics as a discipline and its tools (bibliographies, places of publication etc). Each article provides selected references. The remainder of the volume presents an index of persons and subjects. Some fields and branches of research (as sociolinguistics and language variation, psycholinguistics, content analysis and others) are not regarded in the present handbook, though they ⫺ at least in component parts ⫺ would have deserved to be counted as belonging to the topic of this book as rightly as the ones included here. One reason for this is that some of them are already attended in proper handbooks or that some other kind ofν/inlineο comprehensive coverage of their results is otherwise available or in preparation. The handbook is addressed not only to research workers, teachers and students of all areas of linguistics including philology but also to scientists of closely related fields, whose theoretical and empirical investigations are concerned with linguistic questions (as psychology and sociology) or attempt to make use of proven methods or of results from quantitative linguistics for their own issues (e. g., musicology). For the majority of contributions in this handbook we could gain for authorship the most respected international experts with the highest reputation from Europe, Asia and America. As seems to be inevitably joined with such extensive projects, in the course of preparation some of the initially designated authors were lost for many different reasons. At this point, we wish to express our special appreciation to those who kindly took over (partly even at a later time) vacant contributions and had to work under pressure. Acknowledgements are also due to those who had submitted

X

Preface

their contributions on time and had to update them later, particularly those who met us with patience and understanding. We also wish to express our thanks to the series editor, Herbert Ernst Wiegand, and to Barbara Karlson and Monika Wendland of Walter de Gruyter publishing company for good cooperation. Oktober 2004

Reinhard Köhler, Gabriel Altmann, Raijmund G. Piotrowski

Inhalt / Contents Vorwort . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . V Preface . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . VIII

I.

Allgemeines / General

1.

Reinhard Köhler, Gegenstand und Arbeitsweise der Quantitativen Linguistik (Aims and methods of Quantitative Linguistics) . . . . . . . . . . Dieter Aichele, Quantitative Linguistik in Deutschland und Österreich (Quantitative Linguistics in Germany and Austria) . . . . . . . . . . . . . . . Peter Grzybek / Emmerich Kelih, Zur Vorgeschichte quantitativer Ansätze in der russischen Sprach-und Literaturwissenschaft (The pre-history of quantitative methods in Russian linguistics and philology) . . . . . . . . . . Emmerich Kelih / Peter Grzybek, Neuanfang und Etablierung quantitativer Verfahren in der sowjetischen Sprach- und Literaturwissenschaft (1956⫺1962) (Recommencement and establishment of quantitative methods in Soviet linguistics and philology (1956⫺1962)) Masamitsu Ito, Quantitative linguistics in Japan (Quantitative Linguistik in Japan) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Cornelia Schindelin, Zur Geschichte quantitativ-linguistischer Forschungen in China (The history of quantitative-linguistic research in China) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Jadwiga Sambor / Adam Pawłowski, Quantitative linguistics in Poland (Quantitative Linguistik in Polen) . . . . . . . . . . . . . . . . . . . . . . . . . . Ludmila Uhlı´rˇova´, Quantitative linguistics in the Czech Republic (Quantitative Linguistik in Tschechien) . . . . . . . . . . . . . . . . . . . . . . George K. Mikros, Quantitative linguistics in Greece (Quantitative Linguistik in Griechenland) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Claudia Prün, Das Werk von G. K. Zipf (The work of G. K. Zipf) . . . . . Dieter Aichele, Das Werk von W. Fucks (The work of W. Fucks) . . . . . . Gordana Antic´ / Peter Grzybek / Ernst Stadlober, Mathematical aspects and modifications of Fucks’ Generalized Poisson Distribution (GPD) (Mathematische Aspekte und Modifikationen von Fucks’ verallgemeinerter Poisson-Verteilung) . . . . . . . . . . . . . . . . . . . . . . .

2. 3.

4.

5. 6.

7. 8. 9. 10. 11. 11a.

II.

Gebiete und Phänomene: Phonologie / Fields and phenomena: phonology

12. 13. 14.

Werner Lehfeldt, Phonemdistribution (Phoneme distribution) . . . . . . Gabriel Altmann, Phonic word structure (Die Lautstruktur des Worts) Karl Heinz Best, Längen rhythmischer Einheiten (Length of rhythmic units) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Sabine Weber, Zusammenhänge (Interrelations) . . . . . . . . . . . . . . .

15.

1 16

23

65 82

96 115 129 136 142 152

158

. . 181 . . 191 . . 208 . . 214

XII

Inhalt / Contents

III.

Gebiete und Phänomene: Morphologie / Fields and phenomena: morphology

16.

Claudia Prün / Petra Steiner, Quantitative Morphologie: Eigenschaften der morphologischen Einheiten und Systeme (Quantitative Morphologie: Properites of units and systems) . . . . . . . . . . . . . . . . R. Harald Baayen, Morphological productivity (Morphologische Produktivität) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Karl-Heinz Best, Morphlänge (Morph length) . . . . . . . . . . . . . . . . Karl-Heinz Best, Wortlänge (Word length) . . . . . . . . . . . . . . . . . .

17. 18. 19.

. . 227 . . 243 . . 255 . . 260

IV.

Gebiete und Phänomene: Syntax / Fields and phenomena: syntax

20.

Relja Vulanovic´ / Reinhard Köhler, Syntactic units and structures (Syntaktische Einheiten und Strukturen) . . . . . . . . . . . . . . . . . . . . . 274 Sven Naumann, Probabilistic grammar (Probabilistische Grammatik) . . . 292 Karl-Heinz Best, Satzlänge (Sentence length) . . . . . . . . . . . . . . . . . . . 298

21. 22.

V.

Gebiete und Phänomene: Lexik / Fields and phenomena: lexicology and lexicography

23. 24.

Reinhard Köhler, Properties of lexical units and systems (Eigenschaften lexikalischer Einheiten und Systeme) . . . . . . . . . . . . . . . . . . . . . . . . 305 Pavel M. Alekseev, Frequency dictionaries (Häufigkeitswörterbücher) . . . 312

VI.

Gebiete und Phänomene: Text / Fields and phenomena: text

25.

Alexander Mehler, Eigenschaften der textuellen Einheiten und Systeme (Properties of textual units and systems) . . . . . . . . . . . . . . . . . . . . Ludeˇk Hrˇebı´cˇek, Text laws (Textgesetze) . . . . . . . . . . . . . . . . . . . . . Gejza Wimmer, The type-token relation (Das Type-Token-Verhältnis) . . Juhan Tuldava †, Stylistics, author identification (Stilistik und Autorenbestimmung) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Fiona J. Tweedie, Statistical models in stylistics and forensic linguistics (Statistische Modelle in der Stilistik und in der forensischen Linguistik) R. Harald Baayen, Word frequency distributions (Verteilungen der Worthäufigkeit) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

26. 27. 28. 29. 30.

. 325 . 348 . 361 . 368 . 387 . 397

VII. Gebiete und Phänomene: Semantik und Pragmatik / Fields and phenomena: semantics and pragmatics 31. 32. 33. 34. 35. 36.

Wolfgang Wildgen, Catastrophe theoretical models in semantics (Katastrophentheoretische Modelle in der Semantik) . . . . . . . . . . . . Arne Ziegler, Denotative Textanalyse (Denotative text analysis) . . . . . Jadwiga Sambor, Lexical networks (Lexikalische Netze) . . . . . . . . . . Victor Levickij, Polysemie (Polysemy) . . . . . . . . . . . . . . . . . . . . . Victor Levickij, Lexikalische Kombinierbarkeit (Lexical combinability) John Myhill, Quantitative methods of discourse analysis (Quantitative Methoden der Diskursanalyse) . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . .

. . . . .

410 423 447 458 464

. . 471

Inhalt / Contents

XIII

VIII. Gebiete und Phänomene: Geolinguistik und Dialektologie / Fields and phenomena: geolinguistics and dialectology 37. 38. 39.

Hans Goebl, Dialektometrie (Dialectometry) . . . . . . . . . . . . . . . . . . . 498 Edgar Haimerl, Taxierungsalgorithmen (Appraisal algorithms) . . . . . . . 532 Eric S. Wheeler, Multidimensional scaling for linguistics (Multidimensionale Skalierung) . . . . . . . . . . . . . . . . . . . . . . . . . . . 548

IX.

Gebiete und Phänomene: Typologie / Fields and phenomena: typology

40.

Michael Cysouw, Quantitative methods in typology (Quantitative Methoden in der Typologie) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 554 Christiane Hoffmann, Morphologisch orientierte Typologie (Morphology-oriented typology) . . . . . . . . . . . . . . . . . . . . . . . . . . 578 Ludmila Uhlı´rˇova´, Word order variation (Wortfolgevariation) . . . . . . . . 598

41. 42.

X.

Gebiete und Phänomene: Diachronie / Fields and phenomena: diachrony

43. 44. 45.

Witold Man´czak, Diachronie: Grammatik (Diachrony: grammar) . . . . . . 607 Edda Leopold, Das Piotrowski-Gesetz (Piotrowski’s law) . . . . . . . . . . . 627 Hans J. Holm, Genealogische Verwandschaft (Genetic relationship) . . . . 633

XI.

Modelle, Methoden, Hypothesen und Gesetze / Models, methods, hypotheses, and laws

46. 47. 48.

Gabriel Altmann, Diversification processes (Diversifikationsprozesse) . . . Irene M. Cramer, Das Menzerathsche Gesetz (Menzerath’s law) . . . . . . . Wolfgang Wildgen / Peter Jörg Plath, Katastrophen- und Chaostheorie in der linguistischen Modellbildung (Catastrophe and chaos theory in linguistic model building) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Royal Skousen, Analogical modeling (Analogische Modellierung) . . . . . . S. Naranan / V. K. Balasubrahmanyan, Power laws in statistical linguistics and related systems (Potenzgesetze in der quantitativen Linguistik und in verwandten Systemen) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Adam Pawłowski, Modelling of sequential structures in text (Die Modellierung sequenzieller Strukturen in Texten) . . . . . . . . . . . . . . . . Georgij Sil’nitskij, Correlational analysis in linguistics: Results and perspectives (Korrelationsanalyse in der Linguistik: Ergebnisse und Möglichkeiten) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Reinhard Köhler, Synergetic linguistics (Synergetische Linguistik) . . . . . . Thorsten Roelcke, Sprachliche Ökonomie / Kommunikative Effizienz (Linguistic economy / communicative efficiency) . . . . . . . . . . . . . . . . . Gejza Wimmer / Gabriel Altmann, Unified derivation of some linguistic laws (Die vereinheitlichte Ableitung linguistischer Gesetze) . . . . . . . . . .

49. 50.

51. 52.

53. 54. 55.

646 659

688 705

716 738

751 760 775 791

XIV

Inhalt / Contents

XII. Anwendungsgebiete und Bezüge zu anderen Disziplinen / Relationships with other disciplines 56. 57. 58.

59. 60. 61. 62. 63.

64. 65. 66. 67.

68.

69. 70.

Hermann Ney, The statistical approach to natural language processing (Statistische Ansätze für die Verarbeitung natürlicher Sprache) . . . . . . . Walter Daelemans, Machine learning of natural language (Maschinelles Lernen natürlicher Sprache) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Yuri A. Kosarev / Andrey L. Ronzhin, Quantitative methods in speech processing (Quantitative Verfahren bei der Verarbeitung gesprochener Sprache) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Sven Naumann, Probabilistic parsing (Probabilistisches Parsing) . . . . . . . Rajmund G. Piotrowski, Quantitative linguistics and information theory (Quantitative Linguistik und Informationstheorie) . . . . . . . . . . . . . . . V. K. Balasubrahmanyan / S. Naranan, Entropy, information, and complexity (Entropie, Information und Komplexität) . . . . . . . . . . . . . Jussi Niemi / Jürgen Tesak, Quantitative linguistics and neurolinguistics (Quantitative Linguistik und Neurolonguistik) . . . . . . . . . . . . . . . . . . Xenia Piotrowska, Computer-assisted language learning. The quantitative-linguistic basis of CALL methods (Computer-unterstützter Spracherwerb. Die quantitativ- linguistische Grundlage von CALLMethoden) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Jaan Mikk, Text comprehensibility (Textverständlichkeit) . . . . . . . . . . . Rajmund G. Piotrowski / Larissa N. Beliaeva, Linguistic automaton (Der linguistische Automat) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Evangelos Dermatas / George Kokkinakis, Phoneme-grapheme conversion (Phonem-Graphem-Konvertierung) . . . . . . . . . . . . . . . . . . . . . . . . . Kyo Kageura, Character system, orthography and types of origin in Japanese writing (Das japanische Schriftsystem, Orthographie und Herkunftsarten) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Cornelia Schindelin, Die quantitative Erforschung der chinesischen Sprache und Schrift (Quantitative research on Chinese language and script) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Chantal Enguehard, Terminology (Terminologie) . . . . . . . . . . . . . . . . Weronika Piotrowska, Quantitative linguistics and psychiatry (Quantitative Linguistik und Psychiatrie) . . . . . . . . . . . . . . . . . . . . .

808 821

834 847 857 878 891

897 909 921 931

935

947 971 988

XIII. Informationsquellen / Sources of Information 71.

Reinhard Köhler, Sources of information (Informationsquellen) . . . . . . . 1003

Namenregister / Name index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1005 Sachregister / Subject index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1026

I. Allgemeines / General 1. Gegenstand und Arbeitsweise der Quantitativen Linguistik 1. 2.

6. 7. 8.

Einführung Die quantitative Linguistik als wissenschaftliche Disziplin Zur Geschichte der quantitativen Linguistik Begründung, Ziele und Arbeitsweise der quantitativen Linguistik Methodologische Probleme der statistischen Struktur von Texten und Korpora Sprachtheorie, Gesetze und Erklärung Zusammenfassung Literatur (in Auswahl)

1.

Einführung

3. 4. 5.

Während sich die formalen Zweige der Linguistik auf die Behandlung qualitativer Eigenschaften von Sprachen und deren Elementen beschränkt, wobei sie sich dem entsprechend ausschließlich der qualitativen mathematischen Hilfsmittel der Mathematik (Algebra, Mengenlehre) und der Logik bedienen, macht die quantitative Linguistik (QL) die Vielzahl von quantitativen Eigenschaften zu ihrem Gegenstand, die zur Beschreibung und zum tieferen Verständnis der Entwicklung und der Funktionsweise von Sprachsystemen und ihren Bestandteilen nötig sind. Die Forschungsobjekte der QL selbst unterscheiden sich also nicht von denen anderer sprachwissenschaftlicher oder textologischer Disziplinen; auch das Erkenntnisinteresse macht den Unterschied nicht aus. Vielmehr bestehen die Differenzen in der Verschiedenheit ontologischer Ansichten (wird eine Sprache z. B. als eine Menge von Sätzen mit ihnen zugeordneten Strukturen aufgefasst oder z. B. als System, das ähnlich biologischen Organismen einer Evolution unterliegt etc.) und in der Verschiedenheit der verwendeten Konzepte (vgl. Abschn. 5). Solche Verschiedenheiten sind verantwortlich schon dafür, welche Elemente, Phänomene oder Eigenschaften ein Wissenschaftler überhaupt wahrzunehmen vermag. Ein Linguist, der gewohnt ist, in mengentheoretischen Konstrukten zu denken, wird kaum auf die Idee kommen (oder davon überzeugt werden können), dass die Betrachtung von Länge, Häufigkeit, Alter, Grad der Polysemie oder anderen messba-

ren Eigenschaften sprachlicher Einheiten interessant oder gar notwendig sein könnte. Einzig vom Zipfschen Gesetz hat fast jeder schon einmal gehört, aber im Bewusstsein der nicht näher mit der QL Vertrauten spielt es eher die Rolle einer Kuriosität als die einer zentralen und mit vielen Eigenschaften und Prozessen der Sprache verbundenen Gesetzmäßigkeit. Von der fundamentalen Bedeutung quantitativer Zusammenhänge in der Sprache überzeugen lassen sich viele, denen man die funktionalen Abhängigkeiten zwischen Häufigkeit und Länge, Länge und Polysemie, Polysemie und Kontextualität, zwischen den Umfängen von Inventaren sprachlicher Einheiten und der Größe der aus ihnen gebildeten Konstrukte etc. vor Augen zu führen Gelegenheit hat. Hat man aber einmal begonnen, Sprache und Text mit quantitativen Augen zu betrachten, findet man solche Eigenschaften und Beziehungen, die sich nur mit Hilfe von Zahlen oder Rangreihenfolgen ausdrücken lassen, wo immer man hinblickt. So gibt es gesetzmäßige Abhängigkeiten zwischen Länge bzw. Komplexität syntaktischer Konstruktionen einerseits und ihrer Häufigkeit und ihrer Mehrdeutigkeit andererseits; der Homonymie grammatischer Morpheme und ihrer Verbreitung im Paradigma; dem Alter und der Länge von Ausdrücken; dem Umfang von Texten und der Dynamik des Informationsflusses; der artikulatorischen Schwierigkeit von Lauten und der Wahrscheinlichkeit für ihre Veränderung im Laufe der Zeit ... Kurz, in allen Bereichen und auf allen linguistischen Analyseebenen K Lexik, Phonologie, Morphologie, Syntax, Textstruktur, Semantik und Pragmatik, in Dialektologie, Sprachwandelforschung, Psychound Soziolinguistik, in Prosa und Lyrik K treten Phänomene dieser Art auf. Sie finden sich offenbar in allen Sprachen der Welt und zu allen Zeiten. Darüber hinaus kann man feststellen, dass diese Eigenschaften sprachlicher Elemente und ihre Zusammenhänge allgemeingültigen Gesetzen unterliegen, die sich streng mathematisch formulieren lassen K in der Weise, wie wir es von den Naturgesetzen her kennen. Dabei ist zu beachten, dass es sich um stochastische Gesetze

2

I. Allgemeines / General

handelt; sie sind nicht in jedem Einzelfall erfüllt (das ist weder notwendig noch möglich), sondern sie schreiben die Wahrscheinlichkeiten vor, mit denen bestimmte Ereignisse erfolgen bzw. bestimmte Verhältnisse in der Gesamtheit eintreten. Zu allen oben angeführten Beispielen wird man mit Leichtigkeit Gegenbeispiele finden, die als einzelne jedoch nicht gegen die entsprechenden Gesetze verstoßen, da Abweichungen vom statistischen Durchschnitt nicht nur zulässig, sondern sogar erforderlich und ihrerseits quantitativ exakt bestimmt sind. Im Grunde unterscheidet sich diese Situation nicht von der in den Naturwissenschaften, in denen die alten deterministischen Vorstellungen längst ausgedient haben und ebenfalls durch statistisch-probabilistische Modelle ersetzt wurden. Die Aufgabe der quantitativen Linguistik ist es nun, die entsprechenden Phänomene zu entdecken, sie systematisch zu beschreiben und K soweit möglich K Gesetze zu finden bzw. zu formulieren, mit deren Hilfe die beobachteten Fakten erklärt werden können. Über den Aspekt der Grundlagenforschung hinaus können die quantitativen Zusammenhänge auch in vielen Fällen in Bereichen wie Computerlinguistik, Sprachlehrforschung, Textoptimierung u. a. angewendet werden (vgl. Kap. XI dieses Handbuchs).

2.

Die quantitative Linguistik als wissenschaftliche Disziplin

Wenn man fragt, was den Erfolg der modernen Naturwissenschaften begründet, wird nicht selten auf die exakten, nachprüfbaren Aussagen, präzisen Vorhersagen und fruchtbaren Anwendungsgebiete hingewiesen, die mit ihrem Instrumentarium und den heutigen Modellen erreichbar sind. Physik, Chemie, Biologie und andere Disziplinen bemühen sich seit langer Zeit u. a. um immer bessere Messmethoden und verfeinerte Experimente, um die in den jeweiligen theoretischen Bereichen aufgestellten Hypothesen zu überprüfen und die jeweiligen Theorien weiterzuentwickeln. Während in diesen Wissenschaften Zählen und Messen zu den Grundoperationen gehören, denen man verwertbare Aussagen über die Welt überhaupt verdankt, werden sie in den Geisteswissenschaften als eher niedere und jedenfalls nutzlose Beschäftigungen angesehen. In der Psy-

chologie und der Soziologie käme wohl niemand auf die Idee, es ginge auch ohne die Messung von Reaktionszeiten, Lerndauern und Augenbewegungsprotokolle, ohne Populationsstatistik, Migrationsmessung, Makround Mikrozensus. Die Ökonomie ist ganz und gar auf quantitative Modelle des Marktes angewiesen, und die Wissenschaft, die sich mit der materiell-energetischen Manifestation von (gesprochener) Sprache befasst, die Phonetik, beruht auf der Erfassung der quantitativen Größen Schalldruck, Länge und Frequenz. Andere Wissenschaften sind noch nicht so weit in ihrer Entwicklung fortgeschritten, dass ihnen das Messen von Größen und die Anwendung der Mathematik selbstverständlich wären. Speziell in der Linguistik gibt es erst seit gut 50 Jahren Forscher, die diese Methoden in unser Fachgebiet einführen, und sie bilden auch noch heute eine verschwindende Minderheit unter den Sprachwissenschaftlern, obwohl uns doch heute die Naturwissenschaften als Beispiel vor Augen stehen. Zur Unterstreichung der Notwendigkeit dieser Einführung und der Entwicklung spezifisch linguistischer Methoden und Modelle, die auf einer solchen Denkweise beruhen, werden solche Arbeiten, die sich eben darum bemühen, unter der Bezeichnung „quantitative Linguistik“ zusammengefasst. Es ist zu hoffen, dass diese Bezeichnung bald aufgegeben werden kann; denn die Vertreter dieses Ansatzes verfolgen ja im Prinzip keine anderen wissenschaftlichen Ziele als die übrigen Linguisten. Es gibt ja auch keine spezielle quantitative Meteorologie, Astronomie oder Medizin. Sobald die Verwendung der weiterführenden Konzepte selbstverständlich geworden ist, erübrigt sich das charakterisierende Etikett. Dagegen ist es heute durchaus üblich, von quantitativer Geographie, Archäologie usw. zu sprechen; hier ist die Situation teilweise wie in den Sprachwissenschaften zu beurteilen. Ein anderes, aber analoges Beispiel betrifft ebenfalls die Linguistik: Die „Computerlinguistik“ wird als eigene Disziplin angesehen; sie ist in unserer Zeit an einigen Universitäten sogar ein gesondertes Studienfach. Sicher hat andererseits niemand je etwas von „Computerphysik“ gehört, weil die Verwendung von Rechnern in der Physik eben selbstverständlich ist. Aber es ist noch nicht lange her, dass in der Linguistik für die Einführung der Mathematik gegen konservative, unbewegliche

3

1. Gegenstand und Arbeitsweise der Quantitativen Linguistik

Kollegen angekämpft werden musste, die den Nutzen von mathematischen Methoden für die Sprachwissenschaft nicht sehen konnten und wollten. In dieser Zeit wurde der Terminus „Mathematische Linguistik“ geprägt. Heute ist dieser schon fast wieder vergessen; zu selbstverständlich ist die Verwendung formaler Hilfsmittel in der modernen Sprachwissenschaft geworden. Nicht so schnell durchgesetzt haben sich die quantitativen Bereiche der Mathematik, obwohl sie keineswegs später als jene in der Linguistik auftauchten. Bereits in der ersten Hälfte des letzten Jahrhunderts gab es systematische Untersuchungen, die auf statistischen Zählungen mit faszinierenden Befunden (die noch heute nicht vollständig ausgelotet sind) beruhten, und erste Versuche, diese Daten aus entsprechenden theoretischen, mathematisch formulierten Modellen abzuleiten. Hier ist an erster Stelle George Kingsley Zipf (1902K1950) zu nennen, dessen Pionierwerk den Grundstein für die quantitative Linguistik bildete (vgl. Art. 10). Nun richtete sich aber das Hauptinteresse der Forscher in der modernen Linguistik, also in der Zeit nach dem wichtigen Beitrag de Saussures zur Sprachwissenschaft, auf die Erfassung sprachlicher Strukturen. Daraus ergab sich logischerweise ihre Zuwendung zu den qualitativen Hilfsmitteln der Mathematik: Logik, Mengenlehre und Algebra. Die historische Entwicklung der Sprachwissenschaft und die anschließende einseitige Betonung bestimmter Elemente der strukturalistischen Errungenschaften hatten dazu geführt, dass sich ein absolut statischer Systembegriff herausgebildet hatte, der bis in unsere Zeit leider weitgehend erhalten geblieben ist. Die Beschäftigung mit den über die Struktur hinausgehenden Aspekten von Systemen: Funktion, Dynamik, Prozess unterblieb fast vollständig in der westlichen mathematischen Sprachwissenschaft. In der mittel- und osteuropäischen mathematischen Linguistik hat es eine Ausgrenzung der quantitativen Methoden nie gegeben, und die meisten Wissenschaftler und Forschungsgruppen arbeiteten und arbeiten sowohl mit qualitativen als auch mit quantitativen Mitteln. Dem Mangel, der aus der künstlichen Ausgrenzung ganzer begrifflicher Bereiche entstand, abzuhelfen ist das eigentliche Ziel der quantitativen Linguistik, und zu diesem Zweck benötigt man auch die quantitativen Teile der Mathematik, z. B. Analysis, Wahr-

scheinlichkeitstheorie mit Statistik, Funktionentheorie, Differenzen- und Differentialgleichungen.

3.

Zur Geschichte der quantitativen Linguistik

Erste Zählungen von Einheiten der Sprache oder von Texten wurden schon im vorigen Jahrhundert vorgenommen. In Deutschland waren es wahrscheinlich Förstemann (1846, 1852) und Drobisch (1866), in Russland Bunjakovskij (1847), in Frankreich Bourdon (1892), in Italien Mariotti (1880) und in den USA wohl Sherman (1888), die als erste zu dieser Methode als Mittel der sprachwissenschaftlichen Beschreibung gegriffen haben. Erste theoretische Einsichten nach vielen Jahren, in denen nur deskriptive Untersuchungen, Zählungen verschiedener Art, unternommen wurden, stammen von dem Mathematiker A. A. Markov, der 1913 die Grundlage für die Theorie der „MarkovKetten“ legte. Dieses mathematische Modell für die sequentielle (syntagmatische) Abhängigkeit von Einheiten in einer linearen Verkettung (in Form von „Übergangswahrscheinlichkeiten“) war trotz ihrer großen mathematischen Bedeutung über lange Zeit von nur geringem Nutzen für die Sprachwissenschaft. Bestimmte Bereiche wie die Syntax wurden sogar grundsätzlich als für die Anwendung dieses Modells ungeeignet angesehen, da hier, wegen der Selbsteinbettung syntaktischer Strukturen, rekursive Modelle erforderlich sind. So blieben Anwendungen von Markov-Ketten zunächst auf einige Versuche im Bereich textueller Einheiten und auf die Phonologie beschränkt. Heute dagegen sind Markov-Ketten in der Form von „Hidden Markov Chains“ zentraler Bestandteil wichtiger computerlinguistischer Verfahren (vgl. z. B. Brants 1999). Später erwuchsen quantitative Studien an sprachlichem Material vor allem aus praktischen Erfordernissen: aus Bemühungen zur Verbesserung des Sprachunterrichts bzw. zur Konstruktion eines optimalen stenografischen Codes: Frühe quantitative Beobachtungen und mathematische Modelle zu ihrer Erfassung im Bereich des Vokabulars stammen von J. B. Estoup (1916), G. U. Yule (1924) und E. U. Condon (1928). Systematisch untersucht wurden die entdeckten Zusammenhänge zwischen der Häufigkeit von

4 Wörtern und der Rangzahl der Häufigkeitsklasse bzw. der Anzahl von Wörtern in der jeweiligen Klasse dann von dem erwähnten Begründer der quantitativen Linguistik, G. K. Zipf, der ein erstes theoretisches Modell zur Erklärung dieser Befunde aufstellte, und eine Formel zur Berechnung der Funktion aufstellte K das berühmte „Zipfsche Gesetz“. Dieselbe Abhängigkeit zwischen Rang und Häufigkeit beobachteten Zipf und andere bei einer großen Zahl von alltäglichen und wissenschaftlichen Erscheinungen. Zu den wichtigsten seiner zahlreichen Arbeiten zählen die Bücher „The Psycho-Biology of Language. An Introduction to Dynamic Philology“ (1935) und „Human Behavior and the Principle of Least Effort“ (1949). Seine Ideen wie das „Prinzip der geringsten Anstrengung“ und die „Unifikations- bzw. Diversifikationskräfte“ haben (trotz gewisser Mängel und Fehler) bis heute Bedeutung und gehören zu dem Wenigen aus der quantitativen Linguistik, was unter heutigen Sprachwissenschaftlern allgemein bekannt ist. Später wurde sein Modell begrifflich und mathematisch korrigiert und weiterentwickelt von Benoît Mandelbrot, der außerhalb der quantitativen Linguistik erst später vor allem durch seine „fraktale Geometrie“ bekannt wurde (Mandelbrot 1953, 1959, 1961a, 1961b). Das Gedankengut von Zipf, der ohne auf Vorarbeiten oder gar Schulen zurückgreifen zu können und lange vor dem Entstehen der modernen Systemtheorie die Ideen der Selbstorganisation, des o. g. Prinzips der geringsten Anstrengung und grundlegender Gesetze des Sprachverhaltens formulierte, befruchtete eine ganze Reihe wissenschaftlicher Disziplinen und erfreut sich inzwischen erneut eines wachsenden Interesses. Shannon und Weaver (1949) entfesselten mit ihren Anwendungen der Informationstheorie in der Linguistik eine wahre Flut von Berechnungen für verschiedene Sprachphänomene. Sie fanden ein großes Echo bei vielen Forschern, unter denen besonders G. Herdan (z. B. 1954, 1956, 1960, 1962, 1964, 1966, 1969), R. G. Piotrowski, auch in der Schreibweise: Piotrovskij (1959, 1968, 1979) und W. Meyer-Eppler (1959) hervorzuheben sind. Bei diesen Experimenten und Berechnungen stellte sich aber bald heraus, dass die Anwendung des technischen Informationsbegriffs auf die Sprache keine tiefergehenden Erkenntnisse erbrachte, da die sprachliche Bedeutung bei diesem Ansatz außer

I. Allgemeines / General

Acht gelassen wurde. Im Grunde kam man nicht über die Berechnung von Entropie und Redundanz hinaus, und so flaute die Welle bald ab. Der Physiker W. Fucks (vgl. Fucks 1955; Art. 11) gab der quantitativen Linguistik in Deutschland eine Wendung zur Theorie, indem er ein Modell für die Wortlängenverteilung aufstellte und verschiedene Bereiche von Sprache und Musik untersuchte. In Frankreich begründete Ch. Muller (1973, 1979) eine neue Richtung der Analyse des Textvokabulars, die bis heute lebendig ist und ständig weiterentwickelt wird. Die Zipfsche Linguistik wurde in Russland besonders von A. A. Arapov (1988; Arapov/Cherc 1983) in Moskau betrieben, der seine Modelle für die Textdynamik und für die Sprachentwicklung auf Rangordnungsanalysen basierte. In Georgien war es vor allem die Gruppe um J. K. Orlov (s. bes. 1982a, 1982b); sie untersuchte und entwickelte das Zipf-Mandelbrotsche Gesetz in der Theorie und in Anwendungen auf Texte weiter. Von J. Tuldava (1995, 1998) in Estland stammen mathematische Analysemethoden für zahlreiche Texterscheinungen. Im Verlauf der bisherigen Geschichte der quantitativen Linguistik (vgl. Art. 2, 3, 4, 5, 6, 7, 8, 9) beschäftigten sich auch immer wieder Wissenschaftler aus anderen Disziplinen, vor allem Mathematiker, mit der Anwendung mathematischer Modelle auf bzw. ihrer Entwicklung für sprachwissenschaftliche Fragen. Bis heute Bestand hatten meist diejenigen ihrer Resultate, die auf der Grundlage linguistisch fundierter Voraussetzungen entstanden, so z. B. das Werk von B. Mandelbrot (1959 u. a.), das sich gegen konkurrierende Modelle ohne eine solche Basis durchsetzte, während etwa die Arbeiten von Yule (s. o.) oder Williams (1946, 1956, 1964) und vielen anderen kaum noch Erwähnung finden.

4.

Begründung, Ziele und Arbeitsweise der quantitativen Linguistik

Dass die Sprache ein Gegenstand ist, der sich adäquat nur unter Zuhilfenahme quantitativer Methoden erfassen lässt, folgt aus ontologischen, erkenntnistheoretischen, heuristischen und methodologischen Erwägungen (vgl. auch Altmann/Lehfeldt 1980: 1 ff.):

1. Gegenstand und Arbeitsweise der Quantitativen Linguistik

4.1. Zur Ontologie Alle sprachlichen Erscheinungen bewegen sich zwischen den Polen absoluter Notwendigkeit und reiner Zufälligkeit. Reiner Determinismus würde die Verwendung der Sprache zur Kommunikation (bzw. zu irgendeinem Zweck überhaupt) ausschließen, da ja von vornherein alles festgelegt wäre und keine individuellen Wahlmöglichkeiten mehr bestünden, z. B. zwischen zwei oder mehr Wörtern zu wählen, sobald das erste feststeht. Reiner Zufall als Prinzip wäre ebenso unmöglich. In der Sprache herrscht K wie in vielen anderen Systemen K ein faszinierendes Zusammenspiel zwischen diesen beiden Extremen. Reiner Determinismus, also absolute Vorherbestimmtheit, würde auch jede Veränderung und Entwicklung von Sprachen ausschließen, während jeder weiß, dass sich Sprachen im Laufe der Zeit ändern; diese Veränderungen verlaufen sogar selbst nach (stochastischen) Gesetzen. Am leichtesten zu behandeln und zu beschreiben sind solche Eigenschaften und Phänomene, die sich (fast) deterministisch erfassen lassen; dies ist der Hauptgrund dafür, dass dieser Modelltyp in der Linguistik (und anderen noch nicht weit entwickelten Wissenschaften) vorherrschend ist. Die Einführung quantitativer Methoden und Denkweisen ist daher ein Fortschritt, der die erreichten (qualitativen) Errungenschaften einer Wissenschaft nicht negiert: Deterministische bzw. quasi-deterministische Aussagen sind auch nach der Erweiterung um stochastische und andere quantitative Elemente in einer Wissenschaft weiterhin möglich und sinnvoll K sogar unverzichtbar. Sie beziehen sich auf die Fälle, die sich am (oder nahe beim) extremen Pol der Determiniertheit befinden, oder werden verwendet, wenn dies aus Gründen der Zweckmäßigkeit (z. B. im Zusammenhang mit der Fremdsprachenvermittlung oder anderen praktischen Zielen) vernünftig erscheint. Es sollte auch nicht vergessen werden, dass die Phänomene der Realität selbst weder deterministisch noch stochastisch sind, weder geordnet noch chaotisch, weder qualitativ noch quantitativ. Diese Charakterisierungen sind Eigenschaften nicht der Welt, sondern unserer Begriffe und Untersuchungsmethoden, mit denen wir der objektiven Realität näher zu kommen versuchen, indem wir mit ihnen eine uns verständliche Ordnung schaffen. Diese ist wiederum rela-

5

tiv und richtet sich nach dem jeweiligen Entwicklungsstand der Wissenschaft. Der historischen Erfahrung nach aber kann man sagen, dass wissenschaftlicher Fortschritt sich an der Schärfe der Begriffe messen lässt. Bedeutende, sprunghafte Fortschritte waren in der Geschichte der Wissenschaft immer mit der Einführung quantitativer Begriffe verbunden. 4.2. Zur Epistemologie Unsere Möglichkeiten, Aussagen über Sprache(n) aus der Beobachtung abzuleiten, sind ernsthaft beschränkt. Direkte Beobachtung von ,Sprache‘ ist unmöglich, und Introspektion (so verbreitet sie in der Linguistik auch ist) kann allenfalls heuristische Beiträge liefern, besitzt aber (entgegen oft wiederholten Behauptungen) nicht den Status empirischer Evidenz. Als Quelle von Daten bleibt einzig das Sprachverhalten der Menschen, sei es in Form gesprochener oder geschriebener Sprache, sei es in Form psycholinguistischer Experimente. In jedem Fall stehen wir vor einer Reihe von Problemen des komplizierten und weitgehend noch unverstandenen Verhältnisses zwischen langue und parole. Darüber hinaus ist die Situation in gleicher Weise wie in anderen empirischen Wissenschaften dadurch erschwert, dass wir praktisch niemals über vollständige Information über den Untersuchungsgegenstand verfügen. Zum einen können wir uns immer nur zu einem begrenzten Ausschnitt des Gegenstands Zugang verschaffen K entweder weil er prinzipiell unendlich ist (wie die Menge aller Texte oder aller Sätze) oder weil er aus praktischen Gründen nicht vollständig beschreibbar ist (wie die Menge aller Wörter einer Sprache zu einem bestimmten Zeitpunkt). Zum anderen fehlt auch häufig die vollständige Information über Zahl und Art aller Faktoren, die für eine bestimmte Frage relevant sind. Die Statistik als mathematisches Hilfsmittel versetzt uns trotz solch unvollständiger Information in die Lage, zu gültigen Schlussfolgerungen und Aussagen zu kommen, und zwar mit objektiv feststellbarer und wählbarer Verlässlichkeit. Ein Beispiel von Frumkina (1973: 172 ff.) betrifft die Verwendung statistischer Methoden für die Beschreibung des Gebrauchs bestimmter Artikel im Englischen: Versucht man, deterministische Regeln aufzustellen, wird man eine Anzahl von Fällen zunächst nicht erfassen. Weitere Regeln und zusätzliche Bedingungen verbes-

6 sern das Ergebnis, lassen aber immer noch viele Einzelfälle unbeschrieben. Je mehr Regeln und Bedingungen man hinzunimmt, desto weniger zusätzliche Fälle werden damit erfasst. Schließlich müsste man für jeden verbliebenen Fall eine eigene Regel einführen, wobei noch immer nicht gesichert wäre, dass alle relevanten Bedingungen erfasst wären. Ein statistischer Ansatz dagegen fasst das Ereignis „bestimmter Artikel“ als zufällig auf (d. h. als einer stochastischen Gesetzmäßigkeit gemäß einer Menge von Bedingungen unterliegend) und erlaubt es dann, eine (festlegbare) Anzahl von richtigen Voraussagen zu treffen, wobei gilt, dass der zu treibende Aufwand höher wird, je geringer die Irrtumswahrscheinlichkeit gewählt wird. So liefert uns gerade die mathematische Statistik ein begriffliches Instrumentarium, mit dem wir tiefer in das komplizierte Gefüge der Realität eindringen und es besser verstehen können. 4.3. Zur Heuristik Eine der elementaren Aufgaben jeder Wissenschaft ist die Schaffung von Ordnung in einer Menge mannigfaltiger, unübersichtlicher Daten. Klassifikations- und Korrelationsverfahren können dabei Hinweise auf zuvor nicht bekannte Phänomene und Zusammenhänge liefern, zumal wenn, wie in der Korpuslinguistik, große Datenmengen zur Verfügung stehen, die oft mit bloßem Auge nicht einmal mehr gesichtet werden könnten. Es ist zu betonen, dass eine induktive, heuristische Vorgehensweise K auch wenn sie zur Gewinnung von Hypothesen beitragen kann K keinen Ersatz für die Hypothesenbildung darstellt, die letztendlich immer deduktiv sein muss. Aus Daten kann man weder Einheiten noch Kategorien oder gar Zusammenhänge und Erklärungen gewinnen, denn bereits bei wenigen Variablen gibt es prinzipiell unendlich viele mit den jeweiligen Daten verträgliche Modelle (z. B. Formeln). Die Daten können nicht verraten, welche der möglichen Merkmale, Klassifizierungen, Regeln oder Funktionen angemessen sind, um die hinter ihnen verborgenen Strukturen, Mechanismen und Prozesse der Sprache und der menschlichen Sprachverarbeitung zu repräsentieren. Es ist sogar möglich, dass aus rein induktiven Untersuchungen nicht nur irrelevante, sondern sogar irreführende Resultate erwachsen: wenn nämlich die auf der Oberfläche sichtbaren

I. Allgemeines / General

Daten aufgrund komplexer, verschachtelter und in mehreren historischen Phasen unterschiedlich wirkender Ursachen entstanden sind K eine Situation, mit der gerade in der Sprachwissenschaft stets gerechnet werden muss. Es ist auch diese unendliche Komplexität jedes Forschungsobjekts, die uns hindert, von Anfang an große, umfassende Theorien aufzustellen. Wir können und müssen stets mit einem kleinen Ausschnitt, mit wenigen Variablen, beginnen und das entstehende Modell, wenn es soweit erfolgreich ist, schrittweise erweitern. 4.4. Zur Methodologie Jede Wissenschaft beginnt mit kategorischen, qualitativen Begriffen, die den Gegenstandsbereich in möglichst klar voneinander abgegrenzte Klassen zerlegen, um eine Ordnung in ihm zu etablieren. Dieser erste Ansatz, Ordnung zu schaffen, ist auch der gröbste. Mit Hilfe qualitativer (eine andere Bezeichnung ist: nominalskalierter) Begriffe lässt sich feststellen (bzw. ausdrücken), ob (dass) zwei oder mehrere Objekte (in Bezug auf eine Eigenschaft) gleich sind oder nicht (E (A) Z E (B) oder E (A) s E (B)). Ein linguistisches Beispiel für diese Art von Begriffen ist die klassische Kategorie der Wortart; für jedes Wort lässt sich etwa sagen, ob es zu den Substantiven gezählt werden soll oder nicht. Alle Wörter dieser Klasse gelten dann im Hinblick auf die Wortart als gleich, alle anderen als von ihnen verschieden (Auf die Probleme der Kategorienbildung und der Klassifikation selbst kann hier nicht eingegangen werden). Alle Aussagen, die auf qualitativen Begriffen beruhen, lassen sich auf Dichotomien, also auf die Zuordnung zu zweielementigen Wertemengen wie {wahr, falsch}, {1, 0}, {ja, nein} u. ä. reduzieren. Solche Begriffe sind grundlegend und immer notwendig, sie genügen aber schon bald nicht mehr, wenn man einen tieferen Einblick in den Untersuchungsgegenstand gewinnen will. Die Vergleichsmöglichkeit auf Identität bzw. Nichtidentität ist für weitergehende Fragestellungen meist zu grob und muss dann durch eine solche erweitert werden, bei der eine Graduierung erfolgen kann. Diese Möglichkeit stellen komparative (oder: ordinalskalierte) Begriffe, die einfachste Art quantitativer Begriffe, zur Verfügung; sie gestatten es auszudrücken, dass ein Objekt von einer Eigenschaft mehr oder we-

1. Gegenstand und Arbeitsweise der Quantitativen Linguistik

niger besitzt als ein anderes (E (A) O E (B), E (A) Z E (B) oder E (A) ! E (B)). Dadurch kann ein höherer Typ von Ordnung erreicht werden: eine Sortierung der Objekte in eine Rangreihenfolge in Bezug auf die untersuchte Eigenschaft. Als linguistisches Beispiel kann hier die Akzeptabilität von Satzkonstruktionen dienen. Den dritten und höchsten Typ von Ordnung erreichen die metrischen Begriffe, die benötigt werden, sobald eine Rolle spielt, um wie viel mehr oder weniger von einer Eigenschaft ein Objekt besitzt als ein anderes. Hierbei werden den Ausprägungen der Eigenschaft die Werte einer Zahlenmenge zugeordnet, in der die Beziehungen zwischen den Zahlen den Beziehungen zwischen den möglichen Eigenschaftsausprägungen der Objekte entsprechen. So wird es möglich, aus dem Vergleichen von Objekten als Resultat ebenfalls Zahlen zu erhalten (Differenzen, Abstände: E (A) K E (B) Z d), die wiederum miteinander verglichen werden können und eine beliebig feine Ordnung im Objektbereich etablieren. Begriffe, die die Beurteilung der Abstände (bzw. Ähnlichkeiten) zwischen Objekten erlauben, heißen intervallskaliert. Kommt noch eine weitere Eigenschaft hinzu, nämlich ein fester Referenzpunkt (z. B. ein Nullpunkt) auf der Skala, so erhält man ratioskalierte (oder: verhältnisskalierte) Begriffe (E (A) Z aE (B) C d). Nicht immer werden quantitative Begriffe direkt eingeführt; bei der Quantifizierung (Metrisierung) von Begriffen geht man u. U. von bereits vorhandenen (oder denkbaren) qualitativen Begriffen aus und fügt die erforderlichen Eigenschaften hinzu. Dabei muss auf die Skala geachtet werden, von der abhängt, welche mathematischen Operationen im Zusammenhang mit dem neuen Begriff erlaubt sind, und festgelegt werden, welche Werte Objekten und ihren Eigenschaftsausprägungen zuzuordnen sind. Ein Beispiel hierfür ist der Begriff der Polysemie, der als qualitativer Begriff in der traditionellen Sprachwissenschaft nur unterscheidet, ob ein sprachlicher Ausdruck eindeutig ist oder nicht („polyseme“ Ausdrücke sind nicht eindeutig; jeder Ausdruck ist entweder polysem oder nicht polysem). Die quantitative Variante dieses Begriffs ermöglicht die Frage, wie viele Bedeutungen ein Ausdruck besitzt (die „Polysemie“ eines Ausdrucks wird durch eine ganze Zahl angegeben, die min-

7

destens gleich 1 ist und keine obere Grenze hat). Erst mit Hilfe dieser neu gewonnenen Begriffe auf höheren Skalen lassen sich weitergehende Fragen überhaupt stellen bzw. Beobachtungen machen. So kann ohne den im Beispiel genannten quantitativen Polysemie-Begriff nicht einmal bemerkt werden, dass ein gesetzmäßiger Zusammenhang zwischen der Anzahl der Bedeutungen eines Wortes und seiner Länge besteht (vgl. Art. 47) Ein weiterer Schritt ist die Operationalisierung, aus der auch eine Messvorschrift hervorgeht. Dabei wird festgelegt, auf welche Weise dem theoretisch definierten Begriff tatsächlich beobachtete Eigenschaften entsprechen sollen. So ist eine einfache und praktikable, wenn auch nicht besonders zufrieden stellende Operationalisierung des Begriffs Polysemie die Festlegung, dass die (theoretische) Eigenschaft eines Wortes, n Bedeutungen zu besitzen, (empirisch) durch die Zahl der in einem bestimmten Wörterbuch angegebenen Lesarten gemessen bzw. geschätzt werden soll. Eine in der Sprachwissenschaft verbreitete Methode, quantitative Begriffe einzuführen, ist die Bildung von Indizes (die Definition mathematischer Operationen, mit deren Hilfe Eigenschaften auf Zahlenverhältnisse abgebildet werden), von denen die morphologischen Indizes von Greenberg (1960) die bekanntesten sind; viele andere typologische Indizes finden sich in (Altmann/Lehfeldt 1973). Zur Bildung von Indizes und zu den damit zusammenhängenden Problemen vgl. (Altmann/Grotjahn 1988). 4.5. Ziele der quantitativen Linguistik Wie oben bereits kurz gesagt wurde, kann man nicht von einem gesonderten Erkenntnisinteresse der quantitativen Linguistik sprechen, da es ihr um keinen anderen Forschungsgegenstand geht als der Sprachwissenschaft insgesamt. Allerdings hebt sie sich durch die Einführung eines weiterführenden, zusätzlichen Instrumentariums, also in ihren Methoden, von den anderen linguistischen und textwissenschaftlichen Ansätzen ab. Grundsätzlich geht es auch der Sprachwissenschaft, wie allen anderen empirischen Wissenschaften, darum, Erklärungen der Beschaffenheit, der Mechanismen, der Funktionen, der Entwicklung usw. der Sprache zu gewinnen. Es wäre verfehlt, dabei etwa an letzte, endgültige Erklärungen zu denken,

8 mit denen sich so etwas wie das „Wesen“ der Dinge erfassen ließe (vgl. Popper 1971: 23, Hempel 1952: 52 ff.; vgl. auch Kutschera 1972: 19 f.). Es handelt sich vielmehr um das Bestreben, eine Hierarchie von Erklärungen aufzubauen, die zu immer allgemeineren Theorien führen und immer mehr Erscheinungen abdecken. Wegen der stochastischen Eigenschaften der Sprache spielen hierbei Metrisierung und Wahrscheinlichkeitsmodelle eine entscheidende Rolle. Im Rahmen dieser Gesamtzielsetzung kommt der quantitativen Linguistik also nur deshalb eine Sonderrolle zu, weil sie sich speziell um die dazu erforderlichen Methoden bemüht, und nur so lange, wie diese nicht in allen Bereichen der Sprach- und Textforschung selbstverständlich geworden sind. Diese Ziele lassen sich in zwei komplementären Aspekten charakterisieren: Zum einen ist die Entwicklung und Anwendung quantitativer Modelle und Methoden unausweichlich dort erforderlich, wo die rein deterministischen (algebraischen, mengentheoretischen und logischen) Methoden versagen, nämlich wo die Variabilität und die Vagheit natürlicher Sprachen nicht vernachlässigt werden können, wo eher Tendenzen und Präferenzen herrschen als strikte Prinzipien und wo graduelle Veränderungen die Anwendung statisch-struktureller Modelle ausschließen K also immer dann, wenn die dramatische Vereinfachung, die durch die deterministische („Ja/Nein“-) Skala verursacht wird, nicht mehr zu rechtfertigen bzw. mit dem Ziel der Untersuchung nicht vereinbar ist. Zum anderen sind, wie gezeigt, quantitative Begriffe und Methoden den qualitativen grundsätzlich überlegen. Sie erlauben eine adäquatere Beschreibung der Realität, indem sie eine höhere Auflösung bieten. Zwischen den beiden Polen (Ja/Nein, wahr/ falsch, 1/0) deterministischer Modelle kann man mit ihrer Hilfe beliebig viele Zwischenstufen unterscheiden, bis hin zu den unendlich vielen Punkten des kontinuierlichen Übergangs. Allgemein zielt also die Entwicklung quantitativer Verfahren darauf, die Ausprägungen von Eigenschaften sprachlicher und textueller Größen in möglichst exakter und prägnanter Form auszudrücken. Tatsächlich ist die Exaktheit, mit der eine Eigenschaft erfassbar ist, von zwei Faktoren abhängig: von der Schärfe, mir der man einen gegebenen Begriff definieren, und von der Güte

I. Allgemeines / General

der Messmethoden, mit denen die Ausprägung der Eigenschaft bei den Objekten festgestellt werden kann. Gelingt es, eine sprachliche Eigenschaft exakt zu fassen, so erwächst daraus die Möglichkeit, mathematische Operationen mit ihr auszuführen, wobei jeweils darauf geachtet werden muss, welche Operationen auf die jeweiligen Größen (in Abhängigkeit von ihrem Skalenniveau) anwendbar sind. Mit Hilfe dieser Operationen lassen sich neue Erkenntnisse ableiten, die ohne sie nicht erreichbar wären: So können Beurteilungskriterien, die zuvor nur in subjektiver und tentativer Form existierten, objektiviert und operationalisiert werden (z. B. in der Stilanalyse), es können Zusammenhänge zwischen Einheiten bzw. Eigenschaften erkannt werden, die mit dem qualitativen Instrumentarium nicht sichtbar sind (oft erhält man aus nummerischen Klassifikationen und Korrelationsanalysen Hinweise auf solche noch unbekannten Interdependenzen), und es lassen sich praktikable Methoden für technische und andere Anwendungsbereiche finden, in denen entweder aufgrund der großen Menge der zu verarbeitenden sprachlichen Daten oder wegen ihrer stochastischen Eigenschaften die Mittel der herkömmlichen linguistischen Modelle Aufgaben nicht oder nur unzureichend lösbar waren (z. B. bei der maschinellen Verarbeitung von Sprachdaten, vgl. Art. 56, 57). 4.6. Arbeitsweise der quantitativen Linguistik Alle linguistischen Untersuchungen, die sich quantitativer Methoden bedienen, folgen einem bestimmten Schema, das aus einer festgelegten Folge von Schritten besteht. Dieses Schema ist im wesentlichen in gleicher Weise für alle empirischen Wissenschaften verbindlich, wobei die Unterschiede lediglich in den fachspezifischen Inhalten liegen, nicht in den Elementen der Schrittfolge selbst. Natürlich umfasst nicht jede einzelne Arbeit eines Wissenschaftlers immer die Gesamtheit aller Schritte dieses Schemas. Sehr häufig wird arbeitsteilig vorgegangen, oft erstrecken sich die aufeinanderfolgenden Schritte über Jahre, Jahrzehnte oder gar Jahrhunderte, und manchmal werden, z. B. für reine Anwendungszwecke, nur einige der Schritte ausgeführt. Das allgemeine Schema besteht aus den folgenden fünf Schritten:

1. Gegenstand und Arbeitsweise der Quantitativen Linguistik

4.6.1. Aufstellung linguistischer Hypothesen Eine linguistische Hypothese ist eine in die Form einer Aussage gekleidete Behauptung bzw. Annahme über die Beschaffenheit sprachlicher Erscheinungen. Dabei ist es von untergeordneter Bedeutung, wie die jeweilige Hypothese entstanden ist (immer spielen Vorkenntnisse, Ausbildung, Neigung, Intuition usw. eine Rolle), wichtig ist einzig das Einhalten bestimmter formaler und inhaltlicher Anforderungen (vgl. Bunge 1967). Grundsätzlich muss eine Hypothese empirisch relevant und überprüfbar sein. Im Falle stochastischer Hypothesen, mit denen wir es zumeist zu tun haben, gilt eine Annahme nicht schon durch ein einziges Gegenbeispiel als widerlegt, sondern erst auf der Grundlage eines mathematischen Tests anhand ausreichender Daten. Auf der anderen Seite kann eine Hypothese niemals als endgültig bewiesen angesehen werden, sondern immer nur als vorläufig bestätigt. Deduktiv gewonnene Hypothesen können, wenn sie empirisch validiert und in ein System von gültigen theoretischen Aussagen eingebunden sind, den Status von Gesetzen bekommen. 4.6.2. Übersetzung der Hypothesen Stochastische Hypothesen lassen sich nur mit Hilfe statistischer Verfahren überprüfen. Daher muss jede solche Hypothese, ob sie nun verbal oder in Form einer Differentialgleichung formuliert wurde, in eine Form überführt werden, die zu diesem Zweck geeignet ist. Dazu ist es erforderlich, die statistischen Modelle und die Voraussetzungen für ihre Verwendung genau zu kennen. In diesem Bereich werden überraschend viele Fehler gemacht, die zwangsläufig zu ungültigen Schlussfolgerungen führen. Falls kein fertiges statistisches Modell vorliegt, dessen Bedingungen mit denen der verwendeten Daten übereinstimmt, muss ein geeignetes neues Modell abgeleitet werden. In Übereinstimmung mit diesem der Hypothese entsprechenden Modell müssen dann auch die Einheiten bzw. Eigenschaften operational bestimmt werden, anhand derer das Modell überprüft werden soll. Manchmal erscheinen die daraus resultierenden Definitionen künstlich, d. h. wenig intuitiv, sie haben aber den Vorteil, objektiv und nachvollziehbar zu sein. Keine Definition aber, egal wie intuitiv oder operational auch immer, darf für die

9

„richtige“ oder „wahre“ gehalten werden; denn jede Definition und jedes Untersuchungsergebnis ist korrekt immer nur relativ zu den gewählten Bedingungen und Modelleigenschaften. 4.6.3. Anwendung statistischer Verfahren Nach der Übersetzung der linguistischen Hypothese in die Sprache der Statistik müssen geeignete Daten in Form möglichst großer Stichproben erhoben werden, um zu möglichst aussagekräftigen Resultaten zu kommen und damit der Hypothese einen hohen Bestätigungsgrad zu verleihen bzw. sie mit großer Sicherheit abzulehnen. In dieser Untersuchungsphase spielen die linguistisch-inhaltlichen Gesichtspunkte keine Rolle; es wird mechanisch verfahren und mit den theoretischen Größen gearbeitet, die empirische Entsprechungen erhalten haben. Der Einsatz der Statistik kann vier verschiedene Formen annehmen, die wir hier kurz (im Anschluss an Karush 1963) zusammenfassen: (1) Direkte Anwendung: Die aus den sprachlichen Daten gewonnenen Zahlen werden direkt in ein Modell, eine Formel eingesetzt, die als adäquates Abbild der betrachteten sprachlichen Erscheinung bzw. des Mechanismus angesehen wird. Die Lösung ergibt sich direkt aus dem statistischen Modell. (2) Inventive Anwendung: Für linguistische Fragestellungen bzw. Daten lassen sich oft keine geeigneten statistischen Modelle finden, da die stochastischen Eigenschaften von Sprache stark von denen anderer Gegenstandsbereiche, für die es bereits ein entwickeltes statistisches Instrumentarium gibt, abweichen (gerade dies ist die Hauptfehlerquelle auch für statistisch gut ausgebildete Forscher). So ist man gezwungen, vorhandene Modelle zu modifizieren oder völlig neue abzuleiten. (3) Modellbildung: Auf dieser Forschungsstufe kommt es darauf an, ein Modell für den untersuchten sprachlichen Gegenstand zu finden, wobei es nicht im voraus sicher ist, ob sich die Erscheinung in gewünschter Weise modellieren lässt. Man geht dann von Annahmen aus, meist müssen Restriktionen in Kauf genommen werden, und man versucht, den Erscheinungen der Realität so nahe wie möglich zu kommen. Nicht

10

I. Allgemeines / General

immer sind die praktikablen Modelle stochastischer Natur: Jedes plausible Modell, das mit den beobachteten Daten übereinstimmt, ist brauchbar, wenn es seinen Zweck erfüllt. (4) Theoriebildung: Dieses höchste Ziel der Wissenschaft bedingt die Konstruktion eines Systems aus zusammenhängenden, plausiblen und gut bestätigten Aussagen über den Gegenstand, die es erlauben, aus ihnen weitere Aussagen abzuleiten, vorherzusagen und Erklärungen zu liefern. 4.6.4. Entscheidung Wenn die Daten ein statistisches Verfahren durchlaufen haben, ergibt sich in der Regel eine einzelne Zahl als Kriterium für die Entscheidung, ob das Resultat des Tests signifikant ist oder nicht, d. h. ob die Hypothese abzulehnen ist oder nicht. In jedem Fall ist die Entscheidung vorläufig und kann aufgrund weiterer Untersuchungen revidiert werden. 4.6.5. Interpretation Der letzte Schritt besteht in der Rückübersetzung des Ergebnisses aus dem statistischen Test in die linguistische Ausgangssprache, man kehrt also zu der linguistischen Fragestellung zurück und interpretiert das mathematische Resultat in Form einer linguistischen Antwort auf die gestellte Frage. Hier wird die Rolle der Statistik als Werkzeug zur Überprüfung einer Vermutung deutlich, als deduktives Hilfsmittel, das der linguistischen Forschung untergeordnet ist. Der generalisierende Schluss von der Stichprobe, die man untersucht hat, auf die allgemeine Fragestellung, die die ganze Sprache (oder alle Texte) betreffen kann, ist natürlich induktiv. So sieht man, wie sich die deduktive und die induktive Denkmethode ergänzen und zusammen das wichtigste Werkzeug der empirischen Wissenschaft bilden.

5.

Methodologische Probleme der statistischen Struktur von Texten und Korpora

Die Verwendung von Textkorpora als Gegenstand quantitativer Untersuchungen ist weit vielfältiger und vielschichtiger, als es auf den ersten Blick den Anschein haben mag, umfasst dieser doch prinzipiell alle Eigenschaften und Zusammenhänge, die lin-

guistischen Einheiten und ihren Zusammenhängen zukommen bzw. zugeschrieben werden können: phonetisch/phonologische, morphologische, lexikalische, syntaktische, semantische, pragmatische, syntagmatischdistributionelle, stilistische u. a. K und damit sowohl Charakteristika der Verwendung, die nur im einzelnen, konkreten Kontext definiert sind, als auch Eigenschaften, die von der einzelnen Verwendung abstrahieren (wie z. B. die Polysemie). Gerade die Gewinnung solcher abstrakten Eigenschaften und die Arbeit mit ihnen machen K wie vielleicht kein anderer linguistischer Untersuchungsaspekt K die Konsequenzen des Verhältnisses zwischen beobachtbaren Instanzen sprachlicher Äußerungen einerseits und linguistischen Konstrukten andererseits deutlich, bei dem also Rede (Text) K als Reales (Realisiertes) K Sprache K als Potenziellem (bzw. als Konstrukt) K gegenübersteht. Trotz der auf der Hand liegenden Analogie zwischen diesem Verhältnis und dem zwischen Stichprobe und Population in der Statistik gibt es grundlegende methodologische und epistemologische Vorbehalte, die eine einfache, naive Anwendung inferenzstatistischer Verfahren zum Schließen von einem Text(korpus) auf ein anderes oder auf die „Sprache als Ganzes“ höchst problematisch machen. Um nur ein methodologisches Problem zu nennen: Es ist kein einziger Fall einer linguistischen Untersuchung bekannt geworden, bei dem die in anderen empirischen Wissenschaften vielfach automatisch als gegeben vorausgesetzten Bedingungen erfüllt gewesen wären. Ebenso ist es unzulässig, in Analogie zum induktiven Schluss von Stichproben auf eine Population von einem (oder mehreren) Text(en) auf ein Korpus zu schließen. Texte sind alles andere als Stichproben aus einem Korpus. Zu den wichtigen methodologischen Problemen bei der Arbeit mit Sprachdaten gehören außerdem: (1) Inferenzprobleme (a) Repräsentativität: Keine Stichprobe (auch keine nach den Regeln der Statistik erhobene) kann repräsentative Sprachdaten in dem Sinne liefern, dass in dem in der Statistik üblichen Sinne gültige Schlussfolgerungen auf die Population, das „Sprachganze“, möglich wären. Durch Vergrößerung der Stichprobe, z. B. durch Erweiterung eines

1. Gegenstand und Arbeitsweise der Quantitativen Linguistik

(b)

(c)

(d)

(e)

Textkorpus um weitere Texte, vergrößert sich dagegen die Diversität der Daten im Hinblick auf viele Parameter (Thematik, Stilistik, Genre/Funktionalstil etc.) und damit die Inhomogenität der Daten (s. Punkt b). Die Homogenität der Daten: Nur homogene Stichproben sind für viele der meistverwendeten statistischen Verfahren geeignet. Diese Bedingung ist für Sprachdaten nur selten erfüllt, möglicher Weise z. B. im Fall von Briefen, die spontan, ohne Unterbrechung und ohne nachträgliche Überarbeitung geschrieben wurden und nicht zu lang sind, sodass über den gesamten Prozess der Textgenerierung konstante Randbedingungen angenommen werden können. Solche einzelnen, kurzen Texte sind allerdings gerade wegen ihrer Kürze nur bedingt aussagefähig (vgl. Punkt a). Die Normalverteiltheit der Zufallsvariablen und der Abweichungen: Die wichtigsten Testverfahren, auf denen eine Schlussfolgerung von der Stichprobe auf die Grundgesamtheit ja beruht, setzen voraus, dass die beobachteten Abweichungen von den erwarteten Werten der Zufallsvariablen normalverteilt sind. Diese Voraussetzung ist in der Sprache jedoch nicht erfüllt, so dass eigentlich für jeden einzelnen Fall gesonderte Tests abgeleitet werden müssten (eine mathematisch äußerst unbequeme und in der Praxis nicht durchführbare Forderung). Die Homöoskedastizität: Auch diese Bedingung, die gleichbleibende Varianz über alle Werte der betrachteten Zufallsvariablen, wird von Sprachdaten nicht generell erfüllt und muss besonders sorgfältig überprüft werden, bevor übliche Verfahren der Statistik angewendet werden dürfen. Gültigkeitsbedingungen für Gesetzmäßigkeiten: Von einigen Zusammenhängen und Gesetzen ist bereits bekannt, dass zu ihrer Erfüllung bestimmte Bedingungen erfüllt sein müssen. So kann in der Sprache K im Gegensatz zu anderen Phänomenbereichen K nicht vom Gesetz der großen Zahlen ausgegangen werden. Das bekannte ZipfMandelbrot-Gesetz gilt z. B. nur für komplette Einzeltexte K nicht aber für Textfragmente oder Textkorpora. Es ist

11 zu vermuten, dass noch viele unbekannte Abhängigkeiten ähnlicher Art existieren, deren Kenntnis für korrekte Schlussfolgerungen unabdingbar wären.

(2) Verteilungsprobleme (f) Die extreme Schiefe der Häufigkeitsverteilungen: Dieses zentrale und für die Sprache typische Phänomen z. B. von Lauten, Silben, Wörtern (Formen und Bedeutungen) und auch von syntaktischen Konstruktionen in Texten führt dazu, dass im Bereich der seltenen Einheiten stets K wie groß die analysierte Textbasis auch sei K eine nicht vernachlässigbare Unterrepräsentation vorliegt. Ein zweites Beispiel betrifft Stichproben aus Wörterbüchern oder Textvokabularen, die zwangsläufig eine Unterrepräsentation kurzer Wörter mit sich bringen. (g) Direkte und indirekte funktionale Abhängigkeiten zwischen den linguistischen Größen wie Länge, Polysemie, Polytextie etc. (vgl. Art. 23, 34, 53) bewirken, dass sich die entsprechenden Besonderheiten von Sprachdaten auf jede linguistische Untersuchung auswirken können. Dies gilt für Signifikanztests von Verteilungsanpassungen und Regressionen ebenso wie für Verfahren des Textvergleichs u. a. Für die korrekte Anwendung statistischer Verfahren auf Sprachdaten (bzw. die Entwicklung neuer Methoden für solche Daten) ist daher außer einer guten Kenntnis der mathematischen Statistik allgemein auch immer die genaue Prüfung der jeweiligen Randbedingungen im Einzelnen erforderlich. Verbreitete Lehrbücher über statistische Verfahren in der Korpuslinguistik suggerieren die problemlose Möglichkeit, Standardmethoden der Statistik auf die Arbeit mit Sprachdaten zu übertragen. Tatsächlich stellen manche von ihnen nichts anderes dar als eine unbedachte Adaption anderer StatistikEinführungen. Hier soll allen Praktikern der Korpusanalyse dringend geraten werden, sich intensiv mit der quantitativ-linguistischen Literatur vertraut zu machen oder Fachleute aus diesem Gebiet zu Rate zu ziehen. Die Anwendung ungeeigneter oder unzulässiger Methoden auf Sprachdaten kann leicht zu völlig wertlosen Ergebnissen und zu falschen Schlussfolgerungen führen.

12

6.

I. Allgemeines / General

Sprachtheorie, Gesetze und Erklärung

Wissenschaft erschöpft sich nicht im Beobachten von Erscheinungen, und auch nicht in deren Beschreibung und (gegebenenfalls) Anwendung. Das höchste Ziel jeder Wissenschaft ist die Erklärung der Phänomene (und damit auch die Möglichkeit zu ihrer Vorhersage). Wenn wir uns also bemühen, allgemeine Gesetze der Sprache und des Texts zu finden, um mit ihrer Hilfe Erklärungen für die beobachteten Phänomene und Zusammenhänge geben zu können, bedeutet das eigentlich, dass wir universelle Muster suchen, aus denen ableitbar ist, welche Phänomene, Ereignisse und Zusammenhänge prinzipiell möglich sind und welche nicht, bzw. unter welchen Bedingungen sie auftreten. Es gibt sicher nicht nur eine von vornherein erfolgversprechende Strategie für diese Suche, und so sind im Laufe der Zeit verschiedene Ansätze verfolgt worden. Historisch ist wohl der erste Versuch, sprachliche Erscheinungen mit Hilfe von Gesetzen in Analogie zu den Naturwissenschaften zu erklären („nach der Methode des Euklid“), die faszinierende Arbeit des Benediktinermönchs Martin Sarmiento (1695K1737, vgl. Pensado 1960). Bekannter sind die Bemühungen der Junggrammatiker, allgemeingültige Lautgesetze zu formulieren, die aus methodologischen Gründen scheitern mussten, da ihnen die nötigen quantitativen Begriffe (besonders das Konzept des stochastischen Gesetzes) noch fehlten und sie so vor der mangelnden Ausnahmslosigkeit der Phänomene kapitulieren mussten. Zu denjenigen, die ebenfalls den Bedarf der Erklärung gesehen haben, gehört auch N. Chomsky, der allerdings lediglich einen formalen Beschreibungsapparat entwickelt hat, darüber hinaus aber keinen überzeugenden explanativen Ansatz vorweisen kann. Denn in dieser Schule endet die Suche nach Erklärungen, bevor sie recht begonnen hat; die Frage nach dem Warum? wird hier sehr schnell mit einer „angeborenen universellen Grammatik“ beantwortet, deren Herkunft dann nicht mehr Gegenstand linguistischer Forschung sein soll, sondern in den Bereich der biologischen Evolution falle (vgl. etwa Chomsky 1986). Dieser Versuch, zu einer linguistischen Erklärung vorzudringen, hinterließ die bekannte Klassifikation in „beobachtungsadäquate“, „beschreibungsadäquate“ und „erklärungsadäquate“ Beschreibungen. Zur Kritik

der Chomsky’schen Linguistik in Bezug auf grundsätzliche Mängel des theoretischen Gebäudes und auf die Immunisierung gegen empirische Gegenevidenz vgl. z. B. die ausgezeichnete Darlegung von Jan Nuyts (1992). Weitere Beispiele für sprachwissenschaftliche Ansätze, die sich um Erklärungen bemühen, finden sich bei den Vertretern der „Natürlichkeitstheorie“ (vgl. Dressler et al. 1987), die jedoch K jedenfalls im heutigen Stadium dieses Ansatzes K ebenfalls nicht zum Ziel kommen können. Hier liegt das Hauptproblem im Status der angesetzten Erklärungsinstanzen: Man beruft sich auf postulierte Eigenschaften wie die „Natürlichkeit“ K nicht auf Gesetze, so dass kein logischer Schluss möglich ist, mit dem sich die beobachteten Phänomene als Resultate ergeben würden. Strebt man nach Modellen mit Erklärungskraft, nach allgemeinen Gesetzen, so kann man prinzipiell zwei entgegengesetzten Forschungsstrategien folgen: Man kann einerseits induktiv vorgehen, wie es in der Universalienforschung und der Sprachtypologie geschieht: Man sucht nach Eigenschaften, die allen bekannten Sprachen gemeinsam sind (vgl. Croft 1990; Greenberg 1966) und die dann als Ausgangspunkt für die Erforschung der für sie verantwortlichen Gesetze dienen könnten. Auch die heute hauptsächlich etablierte Form der Linguistik, die auf den Gedanken von Chomsky und anderen beruht, leitet teilweise aus beobachteten und für allgemeingültig gehaltenen Eigenschaften untersuchter Sprachen ein universelles Prinzip ab, nach dessen Muster alle Sprachen gebaut seien und gebaut sein müssen. Allerdings bringt diese Vorgehensweise entscheidende Nachteile mit sich: Selbst wenn man eine große Zahl von Sprachen untersucht hat und alle diese Sprachen ohne Ausnahme eine bestimmte Eigenschaft aufweisen, kann man nicht sicher sein, ob nicht eine (oder sogar alle) der nicht untersuchten Sprachen sich anders verhalten. Niemals aber kann man sämtliche Sprachen (einschließlich aller heute nicht mehr zugänglichen Sprachen der Vergangenheit und aller in Zukunft entstehenden) untersuchen. Folglich haben induktive Schlussfolgerungen auf der bloßen Grundlage vorhandener Daten nur geringen Wert; jederzeit muss mit einem falsifizierenden Befund aus einer neuen Untersuchung gerechnet werden, mit dem das

13

1. Gegenstand und Arbeitsweise der Quantitativen Linguistik

ganze auf Induktion aufgebaute Gebäude zusammenbrechen würde. Eine andere Strategie ist die deduktive: Man geht von gesicherten Aussagen bzw. vernünftig erscheinenden Annahmen aus (das sind solche, die nicht isoliert im Raum stehen, sondern sich in Zusammenhang mit dem Wissen befinden, über das wir in einem Forschungsbereich bereits verfügen, und ihm zumindest nicht widersprechen), sucht möglichst interessante Konsequenzen aus diesen Annahmen (das sind solche, die K wenn sie wahr sind K möglichst viel Neues zu unseren Forschungen beitragen und/oder K wenn sie falsch sind K möglichst eindeutig zeigen, dass und an welcher Stelle die zugrunde liegenden Annahmen irren und gerade dadurch unser Wissen erweitern), überprüft ihre Gültigkeit an der Realität und zieht dann die entsprechenden Schlussfolgerungen für die theoretischen Annahmen. Eine Sprachtheorie gibt es bis heute nicht. Unter einer „Theorie“ versteht man in der Wissenschaftstheorie allgemein ein System zusammenhängender, allgemeingültiger Gesetze und universaler Hypothesen (und einiger weiterer Elemente; vgl. Altmann 1993, 3K10; Bunge 1967) über einem Gegenstandsbereich, mit dessen Hilfe Erklärungen für die Phänomene des Bereichs abgeleitet werden können. Im Gegensatz dazu ist es in der Linguistik aber üblich geworden, den Terminus „Theorie“ nach Belieben als Bezeichnung für verschiedenste Zwecke zu verwenden: für Beschreibungsansätze (z. B. Phonem„theorie“, einzelne Grammatik„theorien“), für einzelne oder mehrere zusammenhängende Begriffe (z. B. Bühlers Sprach„theorie“), für formale Apparate („Theorie“ im Sinne axiomatischer Systeme wie für die Mengentheorie in der Mathematik), für Definitionen (z. B. die Sprechakt„theorie“) usw. Es wäre nichts gegen eine spezielle, Linguistik-eigene Terminologie in dieser Hinsicht einzuwenden, wenn sie wenigstens systematisch wäre. Leider ist sie es gar nicht, und darüber hinaus führt sie sehr oft zu Verwechslungen und Irrtümern. Denn allzu oft glauben (die im Unterschied zu Naturwissenschaftlern in der Regel nicht mit den Grundlagen der Wissenschaftstheorie vertrauten) Sprachwissenschaftler fälschlich, mit einer dieser „Theorien“ tatsächlich erklären zu können. Eine Sprachtheorie im Sinne der allgemeinen wissenschaftstheoretischen Terminologie existiert, wie gesagt, noch nicht; eine

Reihe von Sprachgesetzen dagegen ist in neuerer Zeit K im Rahmen der quantitativen Linguistik K gefunden, formuliert und überprüft worden; Beispiele sind in den Artikeln 44, 46 und 47 beschrieben. Einige von diesen Gesetzen konnten sogar in einen systematischen Modellzusammenhang gebracht werden, wodurch immerhin der erste Schritt auf dem Weg zu einer Theorie getan ist.

7.

Zusammenfassung

Es wurden die wichtigsten Gründe dafür angesprochen, in den Sprach- und Textwissenschaften quantitative Begriffe, Modelle und Methoden einzuführen und zu verwenden, so wie sie die fortgeschritteneren naturwissenschaftlichen Disziplinen seit Langem einsetzen. Außer den allgemeinen, wissenschaftstheoretisch begründeten und überdisziplinär gültigen Argumenten sind speziell für unseren Bereich folgende Erwägungen zentral: (1) Die Erscheinungen der Sprache und des Texts sind mit qualitativen Mitteln allein nicht genau und vollständig beschreibbar. Diese erfassen lediglich die Extremfälle, die für den gegebenen Zweck mit ja/nein-Dichotomien hinlänglich erfasst werden können. (2) Beschränkt man sich auf das Instrumentarium qualitativer Hilfsmittel, ist der größte Teil der sprachlichen und textuellen Eigenschaften und Zusammenhänge nicht einmal zu entdecken. (3) Das Vordringen auf höhere Forschungsstufen durch präzisere und tiefergehende Analysen, durch Modellierung von Zusammenhängen und Mechanismen und schließlich durch die Formulierung universeller Gesetze und damit zum Aufbau einer Theorie der Sprache und des Texts, die die beobachteten Erscheinungen erklären kann, setzt einen voll ausgebauten begrifflichen und methodologischen Apparat voraus. (4) Selbst wenn auf der Gegenstandsebene der linguistischen Einheiten qualitative Verfahren angemessen wären bzw. ausreichten, kämen spätestens bei der Theoriebildung, also beim Vordringen zur Erklärung, die quantitativen Charakteristiken Sprach-externer Instanzen zur Geltung. So sind Kriterien wie kommunikativer Erfolg, Eignung sprachlicher Mittel für einen gegebenen

14

I. Allgemeines / General

Zweck, Gedächtniskapazität, Störgrößen im akustischen Übertragungskanal, auditive Differenzierungsfähigkeit, kommunikative Effizienz (Ökonomie gegenüber Übertragungssicherheit) u. ä. zweifellos mindestens komparativ, wodurch automatisch die Wirkungszusammenhänge zwischen den äußeren Bedingungen, den globalen und den lokalen Systemgrößen der Sprache quantitativ sein müssen. Auch vielen Sprachzugehörigen Größen wie Lexikonumfang, Textlänge, Phonemzahl und Wortlänge kann niemand ihren nummerischen Charakter absprechen. Dass all dies nicht nur relevant, sondern fundamental für den Forschungsgegenstand Sprache ist, das zeigen, so hoffen wir, die folgenden Kapitel zu ausgewählten Teilbereichen der quantitativen Linguistik.

8.

Literatur (in Auswahl)

Altmann, Gabriel (1991), Science and Linguistics. In: Contributions to Quantitative Linguistics. Proceedings of the First International Conference on Quantitative Linguistics, QUALICO (eds. Köhler, Reinhard/Rieger, Burghard B.) Trier: Dordrecht/ Boston/London: Kluwer, 3K10. Altmann, Gabriel/Beőthy, Erzsébeth/Best, KarlHeinz (1982), Die Bedeutungskomplexität der Wörter und das Menzerathsche Gesetz. In: Zs. für Phonetik, Sprachwissenschaft und Kommunikationsforschung 35, 537K543. Altmann, Gabriel/Lehfeldt, Werner (1973), Allgemeine Sprachtypologie. München: Fink. Altmann, Gabriel/Lehfeldt, Werner (1980), Einführung in die Quantitative Phonologie. Bochum: Brockmeyer. Altmann, Gabriel/Grotjahn, Rüdiger (1988), Linguistische Messverfahren. In: Sociolinguistics. Soziolinguistik (eds. Ammon, U./Dittmar, N./Mattheier, K. J.). Berlin/New York: W. de Gruyter. Arapov, Michail Viktorovič (1988), Kvantitativnaja lingvistika. Moskva: Nauka. Arapov, Michail Viktorovič/Cherc, Maja Markovna (1983), Mathematische Methoden in der historischen Linguistik. [Übers. aus dem Russischen]. Bochum: Brockmeyer.

Bunge, Mario (1967), Scientific Research I, II. Berlin u. a.: Springer. Bunjakovskij, Viktor Iakovlevič (1947), O vozmožnosti vvedenija opredelennych mer doverija k rezul’tatam nekotorych nauk nabludatel’nych i preimuščestvenno statistiki. In: Sovremennik 3, 36K49. Chomsky, Noam (1986), Knowledge of Language. Its Nature, Origins and Use. New York u. a.: Praeger. Condon, Edward Uhler (1928), Statistics of vocabulary. In: Science 67, 300. Croft, William (1990), Typology and Universals. Cambridge: Cambridge University Press. Dressler, Wolfgang/Mayerthaler, Willi/Panagl, Oswald/Wurzel, Wolfgang (1987), Leitmotifs in Natural Morphology. Amsterdam, Philadelphia: Benjamins. Drobisch, M. V. (1866), Ein statistischer Versuch über die Formen des lateinischen Hexameters. In: Berichte über die Verhandlungen der Königlichsächsischen Gesellschaft der Wissenschaften zu Leipzig, Philologisch-historische Klasse 18, 73K 139. Estoup. Jean-Baptiste (1916), Gammes sténographiques. Méthode et exercices pour l’acquisition de la vitesse. Paris: Institut sténographique. Förstemann, Ernst (1846), Ueber die numerischen Lautverhältnisse im Deutschen. In: Germania. Neues Jahrbuch der Berliner Gesellschaft für deutsche Sprache und Alterthumskunde 7. Bd., 83K90. Förstemann, Ernst (1852), Numerische Lautverhältnisse im Griechischen, Lateinischen und Deutschen. In: Zeitschrift für vergleichende Sprachforschung 1, 163K179. Frumkina, Revekka Markovna (1973), Rol’ statističeskich metodov v sovremennych lingvističeskich issledovanijach. In: Matematičeskaja lingvistika (eds. Piotrovskij, R. G.;/Bektaev, K. B./Piotrovskaja, A. A.). Moskva: Nauka, 166. Fucks, Wilhelm (1955), Mathematische Analysen von Sprachelementen, Sprachstil und Sprachen. Köln, Opladen: Westdeutscher Verlag. Greenberg, Joseph Harold (1960), A quantitative approach to the morphological typology of languages. In: International Journal of American Linguistics 26, 178K194. Greenberg, Joseph Harold (1966), Language Universals. The Hague: Mouton.

Bourdon, Benjamin (1892), L’expression des émotions et des tendances dans le langage. Paris: Alcan.

Guiter, Henri (1974), Les relations fréquence K longueur K sens des mots (langues romanes et anglais). In: XIV Congresso Internazionale di linguistica e filologia romanza. Napoli, 15K20.

Brants, Thorsten (1999), Tagging and Parsing with Cascaded Markov Models. Saarbrücken: Deutsches Forschungszentrum für Künstliche Intelligenz.

Hempel, Carl Gustav (1952), Fundamentals of concept fromation in empirical science. In: International Encyclopedia of Unified Science II 7. Chicago.

1. Gegenstand und Arbeitsweise der Quantitativen Linguistik Herdan, Gustav (1954), Informationstheoretische Analyse als Werkzeug der Sprachforschung. In: Die Naturwissenschaften 41. Herdan, Gustav (1960), Type-token mathematics. A textbook of mathematical linguistics. The Hague: Mouton. Herdan, Gustav (1962), The Calculus of Linguistic Observations. The Hague: Mouton. Herdan, Gustav (1956), Language as Choice and Chance. Groninger: Noordhoff. Herdan, Gustav (1966), The Advanced Theory of Language as Choice and Chance. Berlin u. a. Springer. Herdan, Gustav (1964), Quantitative Linguistics. Berlin u. a.: Butterworth. Herdan, Gustav (1969), About some controversial results of the quantitative method in linguistics. In: Zeitschrift für Romanische Philologie 85, 376K384. Karush, W. (1963), On the use of mathematics in behavioural research. In: Natural Language and the Computer (ed. Garvin, P.). New York: McGrawHill, 67K83. Köhler, Reinhard (1990), Linguistische Analyseebenen. Hierarchisierung und Erklärung im Modell der sprachlichen Selbstregulation. In: Glottometrika 11, 1K18. Kutschera, Franz von (1972), Wissenschaftstheorie Bd. 1. München: Fink. Mandelbrot, Benoît (1959), A Note on a Class of Skew Distribution Functions. Analysis and Critique of a Paper by H. Simon. In: Information and Control 2, 90K99.

15

Orlov, Jurij Konstantinovič (1982b), Ein Modell der Häufigkeitsstruktur des Vokabulars. In: Sprache, Text, Kunst (eds. Orlov, Ju. K., Boroda, M. G., Nadarejšvili, I. Š.). Bochum: Brockmeyer, 118K192. Pensado, José Luís (1960), Fray Martín Sarmiento: Sus ideas linguísticas. Oviedo: Cuadernos de la Catédra Feijóo. Piotrovskij, Raijmund Genrichevič (1959), The Place of Information Carrying Elements in a Word. In: Abstracts of the Conference on Mathematical Linguistics April 51K21, 1959. Washington, 36K37. Piotrovskij, Raijmund Genrichevič (1968), Informacionnye izmerenija jazyka. Leningrad: Nauka. Piotrovskij, Raijmund Genrichevič (1979), Inženernaja lingvistika i teorija jazyka. Leningrad: Nauka. Popper, Karl R. (31971), Das Elend des Historizismus. Tübingen: Mohr. Prün, Claudia, Zipf, Robert (2002), Biographical notes on G. K. Zipf. In: Glottometrics 3, 1K10. Shannon, Claude E., Weaver, W. (1949), The mathematical theory of communication. Urbana: Univ. of Illinois Press. Sherman, Lucius Adelno (1888), Some observations upon the sentence-length in English prose,. In: University of Nebraska studies 1, 119K130. Tuldava, Juhan (1995), Methods in Quantitative Linguistics. Trier: Wissenschaftlicher Verlag Trier. Tuldava, Juhan (1998), Probleme und Methoden der quantitativ-systemischen Lexikologie. Trier: Wissenschaftlicher Verlag Trier.

Mariotti, Filippo (1880), Dante e la statistica delle lingue. Firenze.

Wildgen, Wolfgang; Mottron, Laurent (1987), Dynamische Sprachtheorie. Bochum: Brockmeyer.

Markov, Andrej Andreevič (1913), Primer statističeskogo issledovanija nad tekstom ,Evgenija Onegina‘ iljustrirujuščij svjaz’ ispytanij v cep’. In: Bulletin de l’académie des sciences de St. Pétersbourg, Série 6, 7, 153K162.

Williams, Carrington B. (1946), Yule’s ,Characteristic‘ and the ,Index of Diversity‘. In: Nature 157, 482.

Meyer-Eppler, Werner (1959, 21969), Grundlagen und Anwendungen der Informationstheorie. Berlin, Heidelberg, New York: Springer. Muller, Charles (1973), Eléments de statistique linguistique. In: Linguistica, Matematica e Calcolatori. Atti del convegno e della prima scuola internazionale Pisa 1970. Firenze: Zampolli, 349K378. Muller, Charles (1979), Langue française et linguistique quantitative. Genève: Slatkine repr. Nuyts, Jan (1992), Aspects of a cognitive pragmatic theory of language: on cognition, functionalism, and grammar. Amsterdam: Benjamins. Orlov, Jurij Konstantinovič (1982a), Dynamik der Häufigkeitsstrukturen. In: Sprache, Text, Kunst (eds. Orlov, Jurij K., Boroda, Moisei G., Nadarejšvili, Isabella Š.). Bochum: Brockmeyer, 82K117.

Williams, Carrington B. (1956), Studies in the history of probability and statistics IV. A note on early statistical study of literary style. In: Biometrika 43, 248K256. Williams, Carrington B. (1964), Literature and statistics. In: Listener 71, 960K961. Yule, George Udny (1924), A mathematical theory of evolution, based on the conclusions of Dr. J. C. Willis, F.R.S. In: Philosophical Transactions of the Royal Society of London Ser. B 213, 21K87. Yule, George Udny (1938), On sentence length as a statistical characteristic of style in prose: with application to two cases of disputed authorship. In: Biometrika 30, 363K390. Yule, George Udny (1944), The statistical study of literary vocabulary. Cambridge: Cambridge University Press.

16

I. Allgemeines / General

Zipf, George Kingsley (1935), The Psycho-Biology of Language. An Introduction to Dynamic Philology. Boston: Houghton-Mifflin. (21968) Cambridge: M.I.T. Press.

Zipf, George Kingsley (1949), Human Behavior and the Principle of Least Effort. Cambridge: Addison-Wesley. (21972) New York: Hafner reprint.

Reinhard Köhler, Trier (Deutschland)

2. Quantitative Linguistik in Deutschland und Österreich 1. 2. 3.

6. 7. 8.

Einleitung Anfänge und Vorläufer: QL bis etwa 1950 Aufschwung: Die fünfziger und sechziger Jahre Strukturierung und Etablierung der QL: Die siebziger und achtziger Jahre Festigung und Globalisierung: Die neunziger Jahre QL in der DDR und in Österreich Schlussbemerkung /Ausblick Literatur (in Auswahl)

1.

Einleitung

4. 5.

Im Folgenden soll ein Überblick über die Entwicklung der Quantitativen Linguistik (QL) im deutschen Sprachraum seit etwa 1900 gegeben werden. Eine Vielzahl einzelner Forscher und Werke, die einen Beitrag zur QL geleistet haben, könnten genannt werden, jedoch muss im Rahmen eines solchen Überblicks eine Beschränkung auf die wesentlichen Entwicklungslinien und Tendenzen vorgenommen werden. Für das intensivere Studium sei auf das Literaturverzeichnis, hierbei insbesondere auf die aufgeführten Bibliographien (Guiraud 1954, Billmeier/Krallmann 1969, Sabourin 1994, Köhler 1995), und auf die übrigen Beiträge innerhalb dieses Bandes verwiesen.

2.

Anfänge und Vorläufer: QL bis etwa 1950

Programmatisch und vorausschauend forderte der Indogermanist und Psychologe Thumb bereits 1911 eine stärkere Berücksichtigung statistisch-experimenteller Methoden in der Sprachwissenschaft. Er untermauerte seine Forderung mit dem Beispiel der Grammatikschreibung für das Griechische, wo aufgrund eines qualitativ-subjektiven Eindrucks die Satzendstellung des Verbs fälschlicherweise als Standard angegeben wurde, wohingegen die quantitative Untersuchung eine höher frequente Mittelstellung

belegte. Der Schwerpunkt von Thumbs quantitativen Arbeiten lag auf dem Gebiet der Analogiebildung und sprachlichen Assoziationsforschung, die er für den Fremdsprachlernprozess und zur Erklärung von sprachlichen Fehlleistungen, wie z. B. Versprechern, fruchtbar einsetzen wollte. Unabhängig von Thumbs Wunsch nach vermehrtem Einsatz quantitativer Methoden in der Sprachwissenschaft gab es bereits eine Reihe von Bemühungen, konkrete und praktische linguistische Aufgaben mit Hilfe der Statistik zu lösen. Häufigkeitszählungen von Phonemen, Buchstaben, Silben dienten beispielsweise bei Standardisierungsversuchen für das Tastaturfeld von Schreib- und Setzmaschinen (Gießzettel), und sie wurden für die Chiffrier- und Dechiffrierpraxis nutzbar gemacht. Wegen der zeitlichen Nähe und der besonderen Bedeutung soll an dieser Stelle eine Arbeit erwähnt werden, die noch im 19. Jahrhundert abgeschlossen wurde, jedoch bis ins 20. Jahrhundert hineinwirkte. Die um die Mitte des 19. Jahrhunderts im Rahmen der Entwicklung und Verfeinerung des Stenographiesystems begonnenen Buchstabenund Silbenzählungen gipfelten nämlich 1898 in dem nach mehrjähriger Arbeit erschienen Häufigkeitswörterbuch Friedrich Wilhelm Kaedings. Als Datengrundlage dienten ihm und seinen Mitarbeitern, die auf Deutschland verteilt in mehr als 100 Zählstellen arbeiteten, ca. 300 belletristische sowie andere Texte mit einem Gesamtumfang von beinahe 11 Millionen Wörtern oder 20 Millionen Silben. Neben den eigentlichen Frequenzergebnissen wurde für das Deutsche unter anderem auch die durchschnittliche Wortlänge in Silben mit 1,83 ermittelt (Synsemantika: 1,27; 2/3 aller Wörter, Autosemantika: 2,95; 1/3 aller Wörter). Auch wenn sich Kaeding von seiner Arbeit als Nebeneffekt Antworten auf offene Fragen der Sprachforschung erhoffte, so ist sein Werk trotz entsprechender Ankündigungen in einschlä-

2. Quantitative Linguistik in Deutschland und Österreich

gigen Fachorganen in sprachwissenschaftlichen Kreisen seinerzeit auf keine große Resonanz gestoßen und später erst wieder von Helmut Meier (1964) aufgegriffen worden. Ein weiteres praktisches Anwendungsgebiet der Sprachstatistik war der muttersprachliche Unterricht. Wort-, Wortlängenund Wortklassenhäufigkeiten wurden für die Konzeption der im Leseunterricht der Grundschule verwendeten Fibeln berücksichtigt. In der Sprachpsychologie wurden statistische Untersuchungen beispielsweise zum Wortschatz von Kindern durchgeführt, und die Phonetik erhielt durch die von Eberhard und Kurt Zwirner in den 30er Jahren als quantitative Hilfswissenschaft ins Leben gerufene Phonometrie wichtige Anregungen. Auf dem Gebiet der Stilistik schließlich fanden seit Ende des 19. Jahrhunderts immer wieder vereinzelte quantitative Untersuchungen statt, bei denen einzelne sprachliche Merkmale, vorwiegend auf der Ebene der Lexik, statistisch erfasst und intuitiv interpretiert wurden (vgl. hierzu Meiers Zeittafel sprachstatistischer Arbeiten, 1964, 349). Erst in den fünfziger Jahren kombinierte Wilhelm Fucks (vgl. Art. 11 und 11a) mehrere Stilcharakteristika miteinander und stellte sie auf eine fundiertere statistische Basis, um so exaktere Aussagen über Epochen-, Autoren- und Werkstil sowie über die Verfasserschaft anonymer Werke treffen zu können. Charakteristisch für die Jahrzehnte bis etwa 1950 K teilweise auch später noch K ist, dass von einem einheitlichen erkenntnistheoretischen Ziel und einer wissenschaftlichen Hypothesenbildung in den allermeisten Fällen wenig zu erkennen ist; die Daten wurden oft intuitiv interpretiert, und eine echte statistische Analyse fehlte (vgl. Altmann 1972, 6).

3.

Aufschwung: Die fünfziger und sechziger Jahre

Für die fünfziger und sechziger Jahre sind für die deutsche QL vor allem die Werke von Paul Menzerath, Hans Arens, Wilhelm Fucks und Helmut Meier von Bedeutung. Der Thumb-Schüler und Phonetiker Menzerath befasste sich zusammen mit seinem Mitarbeiter Werner Meyer-Eppler (1950) auf morphologischer Basis mit vergleichender Sprachtypologie. Im Rahmen seiner Untersuchungen zur Silbenstruktur

17

und -klassifikation im Deutschen gelangte er (Menzerath 1954) zu der Erkenntnis, dass bei steigender Silbenzahl im Wort die relative Lautzahl pro Silbe abnimmt, d. h. je größer das Ganze, um so kleiner die [unmittelbaren] Teile“ (a. a. O. 1954, 101) oder je komplexer und aus mehr Teilen bestehend ein sprachliches Konstrukt ist, desto weniger komplex oder einfacher sind die Teile beschaffen. Diese Entdeckung, die von Altmann (1980b) mathematisch als Differentialgleichung formuliert werden konnte K Länge der Bestandteile einer Struktur als Funktion der Länge der Gesamtstruktur K und daher Menzerath-Altmann-Gesetz heißt, wurde sowohl auf anderen linguistischen Untersuchungsebenen als auch in weiteren Wissenschaftsfeldern (z. B. Biologie) überprüft und bestätigt und gehört heute zu den am besten belegten Sprachgesetzen (vgl. hierzu Artikel Nr. 67). Der Physiker Fucks trug seit den frühen fünfziger Jahren durch seine interdisziplinären und populärwissenschaftlichen Werke auf den Gebieten der Kunst, Literatur, Musik und Gesellschaft zu einem stärkeren Bewusstsein für quantitative Methoden auch in der breiteren Öffentlichkeit bei. Die von ihm ermittelte Wortlängenverteilung wirkt bis heute nach. Im Gegensatz zu Eggers’ Stilanalysen auf Syntaxebene, der die Satzlängen von 50.000 Sätzen aus der Taschenbuchreihe „Rowohlts deutsche Enzyklopädie“ auszählte (1962), erfolgten Fucks’ Untersuchungen zu Stilfragen durchweg wertfrei. Er kann neben Helmut Meier vor allem wegen seiner Suche nach übergreifenden Zusammenhängen und Gesetzen als einer der Wegbereiter der QL in Deutschland gelten (Vgl. Artikel Nr. 19 und die dort aufgeführte Literatur). Parallel zu Fucks befand sich auch Arens (1965) auf der Suche nach innersprachlichen Regelhaftigkeiten. Nach seinen Zählungen an mehr als 100 belletristischen deutschen Texten des 17. bis 20. Jahrhunderts mit einem Gesamtumfang von 500.000 Wörtern nimmt bei steigender Satzlänge in Wörtern die Wortlänge in Silben ebenfalls zu. Der vordergründige Widerspruch zum Menzerathschen Gesetz besteht insofern nicht, als dieses Gesetz den Zusammenhang von unmittelbaren Konstituenten beschreibt, bei der Satzlänge wäre also nicht die Wortlänge, sondern die Phrasenlänge zu betrachten. Wie bei Fucks, dessen Arbeiten er erst nach Fertigstellung seiner eigenen Untersuchun-

18 gen kennen lernte, deuten größere Wortlängen für Arens in stilistischer Hinsicht auf einen Sachtext hin. Der Lehrer Helmut Meier schließlich knüpfte an Kaedings Häufigkeitswörterbuch von 1898 an, indem er die Lücken und Benutzungsschwierigkeiten des Kaedingschen Werkes zu überwinden suchte. Seine in mehr als 40-jähriger Einzel- und Freizeitarbeit ohne Computerunterstützung entstandene Schrift (Meier, 1964) sollte, wie Lutz Mackensen im Vorwort andeutete, das letzte Werk dieser Art im 20. Jahrhundert sein. Als Würdigung seiner Arbeit erhielt Meier 1964 die Ehrendoktorwürde der Universität Hamburg. Neben einem alphabetischen Verzeichnis der häufigsten deutschen Wörter fügt Meier nicht nur eine umfangreichere, nach Rang geordnete Wortliste bei, sondern berücksichtigt auch Wörter mit geringen Vorkommenshäufigkeiten, die Kaeding nicht aufgeführt hatte. Wie Fucks wünschte sich Meier im Prinzip eine geschlossene planvolle Bearbeitung sprachstatistischer Aufgaben im Rahmen einer „künftigen deutschen Sprachstatistik“ (Meier, 1964, 1), die über Einzeluntersuchungen hinausgeht, und er versuchte diesem Ziel durch die Darstellung und Umarbeitung bisheriger Forschungen sowie durch eigene Fragestellungen und umfangreiche Zählungen näher zu kommen. Die fünfziger und sechziger Jahre können sowohl international (vgl. unter anderem auch Herdan, Guiraud) als auch für Deutschland als eine Phase des Aufschwungs im Bereich quantitativ-linguistischer Untersuchungen bezeichnet werden. Hierzu dürften nicht zuletzt auch die Weiterentwicklung und Bereitstellung von elektronischen Datenverarbeitungsanlagen und Programmiersprachen (z. B. FORTRAN seit 1953) sowie die Erkenntnis von deren Nutzbarkeit für nicht-numerische Aufgaben beigetragen haben. Neben den bereits genannten Forschungsschwerpunkten hielten quantitative Methoden auch bei der Textindexierung (Inhaltsanalyse und Dokumentationswesen), bei der Konkordanzerstellung und bei der Analyse von Fachsprachen Einzug. Wenngleich die in dieser Zeit verstärkte Einführung quantitativer Methoden in den Geisteswissenschaften noch sehr stark von der Diskussion über die zu messenden sprachlichen Elemente und Merkmale, von der Rechtfertigung des Vorgehens überhaupt und der Suche nach geeigneten Methoden und der Frage nach der Aussagekraft

I. Allgemeines / General

einer konkreten Messung geprägt war, so ist andererseits die Tendenz, umfassendere sprachliche Zusammenhänge und Gesetzmäßigkeiten aufzudecken, punktuell erkennbar (z. B. Menzerath, Fucks). Die Verknüpfung quantitativer Einzeluntersuchungen und die Visionen von Fucks und Meier bezogen auf die QL als eigene linguistische Teildisziplin wurden jedoch erst seit den siebziger Jahren Realität.

4.

Strukturierung und Etablierung der QL: Die siebziger und achtziger Jahre

Das gesteigerte Interesse an der mathematischen Beschreibung von Sprache und Literatur wird in den siebziger Jahren nicht zuletzt durch eine Reihe von Sammelbänden dokumentiert, die seit Mitte der sechziger Jahre z. T. in mehreren Auflagen erschienen sind (z. B. Kreuzer/Gunzenhäuser 1971, Schanze 1972, Kreuzer/Viehoff 1981). Stellvertretend für quantitative Bemühungen in einzelnen geisteswissenschaftlichen Disziplinen sei hier die Anglistik mit den Arbeiten von Barbara Kreifelts in Köln und Peter Nübold in Braunschweig genannt. Auch wenn es hierbei wie bei den zuvor erwähnten Sammelbänden primär um die Bezüge der mathematischen Methoden zur Literatur bzw. Literaturwissenschaft geht, so ist die sprachwissenschaftliche Relevanz dort gegeben, wo auf der Basis von Stilfragen weitergehende Aussagen über sprachliche Elemente an sich getroffen werden. 1969 und damit 15 Jahre nach Guiraud erschien die aus der Arbeit am Institut für Kommunikationsforschung und Phonetik der Universität Bonn entstandene erste deutschsprachige quantitativ-linguistische Bibliographie von Günther Billmeier und Dieter Krallmann. Sie umfasst etwa 1000 Einträge mit dem Schwerpunkt Wortfrequenzuntersuchungen und wurde ein wichtiges Nachweisinstrument auf diesem Gebiet. Mehrere statistische Grundlagenwerke für Sprachwissenschaftler (z. B. Muller 1972, Nikitopoulos 1973, Altmann 1980) ergänzten das Spektrum der Publikationen und eröffneten interessierten Geisteswissenschaftlern den Zugang zu statistischen Methoden. Entscheidende Fortschritte in der QL konnten jedoch erst durch Systematisierungs- und Strukturierungsbemühungen erfolgen.

2. Quantitative Linguistik in Deutschland und Österreich

Waren die Jahrzehnte bis etwa 1970 überwiegend von isolierten quantitativen Arbeiten geprägt, die durchaus fruchtbare, jedoch meist unverbunden nebeneinander stehende Ergebnisse hervorbrachten, so setzte seit den siebziger Jahren eine stärkere Strukturierung innerhalb der Quantitativen Linguistik ein, ja man kann sagen, dass seit 1970 die QL in Deutschland als eigenständige linguistische Teildisziplin überhaupt erst ins Leben gerufen wurde. Das Verdienst der eigentlichen Etablierung der QL als Fach kommt im Wesentlichen dem Bochumer Linguisten und Mathematiker Gabriel Altmann zu, der seit Anfang der siebziger Jahre systematisch die Disziplin der Quantitativen Linguistik in Deutschland aufbaute, indem er einen Kreis von Studierenden und Mitarbeitern sowie von Stipendiaten aus anderen Ländern dazu anleitete, klare wissenschaftliche Zielsetzungen, statistische Methoden und linguistische Fragestellungen eng miteinander zu verknüpfen. Deskriptive Arbeiten, so wichtig sie sind, waren nicht mehr Ziel, sondern Mittel zum Zweck der Theoriebildung. So schreibt ein finnischer Forscherkollege Altmanns: „Gerade in dieser Bezogenheit auf die moderne linguistische Theoriebildung liegt der Unterschied zwischen den ,statistischen‘ Arbeiten früheren Datums und den linguistisch-quantitativen Untersuchungen der Gegenwart und Zukunft. Als Ziel sind nicht interpretierbare Zählergebnisse über isolierte Phänomene, sondern theoretisch einwandfreie linguistische Modelle anzustreben.“ (Piirainen, 1972, 96). Folgerichtig propagierte Altmann ein klar gegliedertes, schrittweises Vorgehen für quantitative Untersuchungen. Zunächst sollte auf deduktivem Wege eine Hypothese gewonnen werden, die in einem nächsten Schritt formalisiert, d. h. in mathematische Formeln und Modelle gefasst wird. In einem dritten Schritt werden große Mengen linguistischer Daten erhoben, anhand derer die im ersten Schritt aufgestellte Hypothese zu überprüfen und im vierten Schritt zu verfeinern ist. Das wissenschaftliche Fernziel ist die Aufdeckung verborgener Zusammenhänge und Gesetzmäßigkeiten, letztendlich die Entwicklung einer umfassenden Sprachtheorie als System von gut bestätigten und allgemeingültigen sprachlichen Gesetzen K der Weg von der Deskription zur Explanation also. Aufgrund seiner beharrlichen und vielfältigen Bemühungen kann Altmann un-

19

zweifelhaft als eigentlicher Begründer der QL in Deutschland gelten. Durch eigene Arbeiten hat er sowohl im methodologischen und methodischen (z. B. 1980c) als auch im linguistischen Bereich, etwa in der Sprachtypologie (1973), der Phonologie (1980a) und der Textwissenschaft (1988), um nur einige wenige zu nennen, ganz entscheidend zum Fortschritt der Disziplin beigetragen, und es gibt fast keine linguistische Untersuchungsebene, auf die er quantitative Methoden nicht angewandt hätte. Seit 1978 erscheint die von Gabriel Altmann ins Leben gerufene interdisziplinär und international ausgerichtete Buchreihe Quantitative Linguistics mit ihren Unterreihen Glottometrika und Musikometrika. Sie dient als wichtige internationale Publikationsplattform der Quantitativen Linguistik, umfasst bislang 60 Bände K Monographien und Sammelbände K und hat entscheidend dazu beigetragen, dass die Ergebnisse osteuropäischer Forscher eine größere Verbreitung fanden. Zu den übrigen Publikationen des inzwischen emeritierten Wissenschaftlers vergleiche u. a. die Festschrift zu seinem 60. Geburtstag (Grotjahn, Kempgen, Köhler u. a. 1991) und die einschlägigen Bibliographien (vgl. Art. 71). Um die Mitte der achtziger Jahre flossen verstärkt systemtheoretische Aspekte in die QL ein. Neben der vor allem von Wolfgang Wildgen verfolgten Richtung der Katastrophentheorie zur Erfassung sprachlicher Veränderungsabläufe ist das die aus der Physik bekannte Theorie der kooperativen Phänomene oder der selbstorganisierenden und selbstregulierenden Systeme, die Synergetik. Der synergetische Ansatz erleichtert die Suche nach einer adäquaten Sprachtheorie, indem er es ermöglicht, gegenseitige Abhängigkeiten von einzelnen Gesetzen in einem Modell miteinander zu verknüpfen. So wurde auf Initiative Altmanns und mit Unterstützung der Volkswagenstiftung 1986 in Bochum das Projekt „Sprachliche Synergetik, Teil 1: Quantitative Lexikologie“ aus der Taufe gehoben. In diesem internationalen und interdisziplinären Projekt, an dem mehr als 60 Institute und Einzelwissenschaftler (Linguisten, Mathematiker und Informatiker) aus mehreren Ländern beteiligt waren, wurde anhand mehrerer Sprachen die Struktur und Dynamik der Lexik untersucht. Hauptziel war die wissenschaftliche Beschreibung und Erklärung multivariater sprachlicher Relationen zwischen verschiedenen Eigenschaften lexikalischer Einhei-

20 ten, letztendlich ein umfassendes dynamisches Lexikmodell natürlicher Sprachen. Im Rahmen dieses Projektes ist bereits eine Fülle von Publikationen zu synergetischen Aspekten von Sprache erschienen, und es sind weitere Veröffentlichungen zu erwarten, auch wenn das Projekt als solches inzwischen nicht mehr finanziert wird und daher eingestellt worden ist. Als grundlegend und wegweisend ist hier vor allem die Arbeit Reinhard Köhlers zu nennen. Angeregt durch Altmann ist es Köhler (1986) gelungen, ein synergetisches und damit auf dem Axiom der Selbstorganisation und -regulation beruhendes Modell der Lexik zu erarbeiten und an deutschen Daten des LIMAS-Korpus zu testen. Die Lexemeigenschaften Länge, Frequenz, Polylexie und Polytextie werden innerhalb eines Regelkreises unter Berücksichtigung von Systembedürfnissen (z. B. principle of least effort), von konkurrierenden und kooperierenden Prozessen (z. B. Diversifikation K Unifikation), von sprachlichen Funktionen (z. B. Länge-Frequenz) und Randbedingungen in Beziehung zueinander gesetzt. Auf dem Axiom der Selbstorganisation beruhend kann die Entstehung sprachlicher Phänomene bezogen auf die Anforderungen aus der Systemumwelt oder auf systeminterne Ordnungsparameter funktional erklärt werden, weswegen man hier von funktionalanalytischen Modellen und Erklärungsansätzen spricht, die seit Beginn der achtziger Jahre verstärkt verfolgt werden. Eine wichtige Rolle spielen hier die funktionalen Äquivalente, d. h. die Möglichkeit einem bestimmten Bedürfnis durch verschiedene gleichwertige Alternativen Rechnung zu tragen. Wurden bis zur Mitte der achtziger Jahre verschiedene Sprachgesetze ohne deren Relationen zueinander untersucht, so verknüpft Köhler erstmals mehrere Abhängigkeiten zwischen K in diesem Fall lexikalischen K Variablen in einem einheitlichen Modellierungsansatz miteinander. Sein Lexik-Modell enthält bereits Schnittstellen zu anderen linguistischen Ebenen und Gesetzen (z. B. zum Menzerathschen Gesetz) und gab den Anstoß für zahlreiche weitergehende Untersuchungen. In den neunziger Jahren folgten Teilmodelle für morphologische und syntaktische Zusammenhänge (vgl. Art. Nr. 53 und 20). Aus dem Kreis um Altmann sind neben Köhler vor allem noch zu nennen KarlHeinz Best, Rüdiger Grotjahn, Rolf Ham-

I. Allgemeines / General

merl, Werner Lehfeldt, Ursula Rothe, Michael Schwibbe, Peter Zörnig und andere mehr, auf deren Arbeiten hier im Einzelnen nicht eingegangen werden kann. Viele ihrer Publikationen sind im Rahmen des Projekts „Sprachliche Synergetik“ innerhalb der QLReihe erschienen. Stellvertretend sei kurz der Germanist Best erwähnt, der 1993 zusammen mit Altmann an der Universität Göttingen das Projekt „Quantitative Linguistik“ ins Leben gerufen hat, in dessen Zentrum Untersuchungen zu Häufigkeitsverteilungen von Wort- und Satzlängen und von Wortarten in verschiedenen Textsorten und Sprachen stehen. Die Einbeziehung weiterer Aspekte wie Morph- und Silbenlängen sowie Überlegungen zum Sprachwandel im Deutschen hat begonnen. Auch innerhalb dieses Projektes spielt der synergetische Ansatz eine wesentliche Rolle (vgl. Art. 14, 18, 19 und 22).

5.

Festigung und Globalisierung: Die neunziger Jahre

Die neunziger Jahre sind vor allem durch Tendenzen zur Festigung des Erreichten sowie zur Internationalisierung und Professionalisierung geprägt. Ein wichtiger Schritt zur Internationalisierung der Quantitativen Linguistik war die Konstituierung der Quantitative Linguistics Conference (QUALICO) als Treffpunkt und Podium international ansässiger Forscher, die 1991 erstmals in Trier, 1994 in Moskau, 1997 in Helsinki, 2000 in Prag und 2003 in Athens, Georgia, USA stattfand. Für 2006 ist eine weitere Konferenz geplant. Anlässlich der 2. QUALICO kam es 1994 zur Gründung der International Quantitative Linguistics Association (IQLA), die den weltweiten wissenschaftlichen Austausch auf dem Gebiet der QL durch Veranstaltungen, Förderprogramme und Publikationen befördern will. Als Publikationsorgan der IQLA und als ständiges internationales Diskussionsforum fungiert seit 1994 das Journal of Quantitative Linguistics (JQL), das die seit 1978 existierende Buchreihe Quantitative Linguistics insbesondere um aktuellste Forschungsergebnisse ergänzt. Für den möglichst umfassenden Nachweis quantitativ-linguistischer Literatur existiert eine eigene Bibliographie (Bibliography of quantitative linguistcs, BQL), die unter Federführung von Köhler an der Universität Trier fortlaufend gepflegt und aktualisiert

2. Quantitative Linguistik in Deutschland und Österreich

wird. Erste Arbeiten an dieser Bibliographie wurden 1981 in Bochum aufgenommen. Das Werk ist 1995 in gedruckter Form erschienen und wird als Datenbank laufend aktualisiert. Die jeweils aktuellsten Neuzugänge zur BQL erscheinen als „Current bibliography“ innerhalb der Glottometrika-Bände der QL-Reihe. Als wichtiges Hilfsmittel zur Anpassung theoretischer Funktionen und Verteilungen an empirische Daten steht seit Anfang der neunziger Jahre das von Altmann und Köhler entwickelte und stets in der Weiterentwicklung befindliche Softwarepaket „Fitter“ zur Verfügung, das es erlaubt, mehrere hundert diskrete Wahrscheinlichkeitsverteilungen iterativ optimierend an vorhandene Daten anzupassen. Wenngleich es inzwischen an mehreren Hochschulen im deutschsprachigen Raum, sei es innerhalb der Allgemeinen Sprachwissenschaft, der Phonetik, der Psychologie oder der einzelnen Philologien, vereinzelte Veranstaltungen und Arbeiten zum Einsatz quantitativer Methoden in der Sprach- und Literaturwissenschaft gibt, so sind vor allem die Universitäten Bochum, Göttingen (Best; http://www.gwdg.de/~kbest/projekt.htm) und Trier (Köhler; http://www.ldv.uni-trier.de: 8080/unter Reinhard Köhler) als die Zentren der QL in Deutschland zu nennen. Neben den Arbeiten der bekannten Protagonisten der QL sind dort zahlreiche Einzelund Teilprobleme im Rahmen von Staatsexamen-, Magister- und Doktorarbeiten bearbeitet worden. Von hier gehen die entscheidenden Impulse zur Organisation und Weiterentwicklung des Faches in Deutschland aus.

6.

QL in der DDR und in Österreich

Für die ehemalige DDR und für Österreich sollen hier beispielhaft nur die herausragenden und international bekanntesten Vertreter vorgestellt werden, wenngleich es K wie auch in Deutschland K darüber hinaus weitere quantitative Forschungen gegeben hat und gibt. In der ehemaligen DDR begann im Jahre 1967 die Forschungsgruppe „Fachsprachen“ an der Universität Leipzig unter der Leitung von Lothar Hoffmann mit der systematischen statistischen Untersuchung der sprachlichen Besonderheiten wissenschaftlicher Texte. Als Datengrundlage dienten wissen-

21

schaftliche Standardwerke, Lehrbücher und Fachzeitschriften allgemeinerer Natur. Das Ziel der Untersuchungen war es, Minimalwortschätze zu erstellen, die in der fachbezogenen Fremdsprachausbildung an den Hochschulen eingesetzt werden konnten. Darüber hinaus dienten die Bemühungen der Erforschung der fachsprachlichen Syntax und der Erstellung von Thesauri für das Dokumentationswesen. Als Ergebnis wurden ab Anfang der siebziger Jahre dreisprachige (Russisch, Englisch, Französisch) Häufigkeitswörterbücher für verschiedene Fächer (z. B. Bauwesen, Medizin, Physik u. a.) publiziert. Hoffmann befasste sich neben der rein praktischen Lexikographie auch mit den theoretischen Grundlagen und Prinzipien der Erstellung von Häufigkeitswörterbüchern. Durch die Herausgabe und Bearbeitung von Charles Mullers Initiation à la statistique linguistique (1968) ermöglichte Hoffmann erstmals den Zugriff auf eine systematische deutschsprachige Einführung in die Sprachstatistik (Muller 1972). Ein eigenes Einführungswerk zur Sprachstatistik war das 1979 in Zusammenarbeit mit Piotrowski erschienene Buch (Hoffmann, Piotrowski 1979), in dem Piotrowski den allgemeinen Stand quantitativer Linguistik darstellt und Hoffmann die praktische Anwendung statistischer Methoden veranschaulicht. Die Dialektometrie (vgl. Art. 37) oder auch Quantitative Dialektgeographie ist eines der Hauptarbeitsgebiete des Salzburger Romanisten Hans Goebl. Der Begriff geht auf Séguy zurück und meint zunächst einmal die Messung dialektaler Merkmale. Goebl entwickelte eine auf der numerischen Taxonomie basierende Methodologie, die auf der Grundlage von aus Sprachatlanten gewonnenen Daten die Klassifizierung von Dialekten unter gleichzeitiger Berücksichtigung mehrerer sprachlicher Merkmale ermöglicht. Eine solche auf der numerischen Taxonomie gegründete polythetische Klassifikation ermittelt ihre Klassen durch Ähnlichkeitsmessungen unvoreingenommen aus den Daten selbst sozusagen a posteriori und nicht durch eine a priori vorgenommene Klasseneinteilung. Die Klassifikation ist jedoch nicht Selbstzweck, sondern es geht auch hier um die Ermittlung von inhärenten Ordnungsstrukturen und tieferliegenden Zusammenhängen. Im Bereich der Anglistik verfolgt Wolfgang Viereck den gleichen Ansatz. Für die allgemeine Sprachtypologie wurde bereits in Altmann und Lehfeldt

22

I. Allgemeines / General

(1973) die Möglichkeiten dieses Verfahrens aufgezeigt. K Seit 2002 läuft auch in Österreich ein Projekt zur Wortlängenforschung. Unter der Leitung von Peter Grzybek wird die Verteilung von Wortlängen in slawischen Sprachen intensiv untersucht (http://wwwgewi.uni-graz.at/quanta).

7.

Schlussbemerkung /Ausblick

Im Verlauf der letzten 100 Jahre ist es durch verschiedene Impulse und Bemühungen gelungen, sprachstatistische Einzeluntersuchungen in Deutschland einerseits zu bündeln, andererseits eine fundierte wissenschaftstheoretische Grundlage für künftige Forschungen zu schaffen und schließlich systematische Strukturen und Rahmenbedingungen herauszubilden, so dass man von der QL inzwischen faktisch als eigenständiger linguistischer Teildisziplin mit interdisziplinärer und internationaler Ausrichtung sprechen kann. Aufgrund der in den letzten Jahren und Jahrzehnten erfolgten Entwicklung ist zu erwarten, dass ein Schwerpunkt künftiger Untersuchungen weiterhin im Bereich der Synergetik und einer fortschreitenden Theoriebildung liegen wird. Da sie sich lediglich in der Methodik, nicht jedoch in ihrem Forschungsgegenstand und -ziel, von der traditionellen qualitativen Linguistik unterscheidet, wäre die Überwindung des noch vielfach in den Köpfen verankerten Gegensatzes qualitativ-quantitativ eine weitere Herausforderung für das nächste Jahrhundert.

8.

Literatur (in Auswahl)

Altmann, Gabriel (1972), Status und Ziele der quantitativen Sprachwissenschaft. In: Linguistik und Statistik. (Hrsg. S. Jäger). Braunschweig, Vieweg, 1K9. Altmann, Gabriel (1980a), Prolegomena to Menzerath’s law. In: Glottometrika 2, 1K10. Altmann, Gabriel (1980b), Statistik für Linguisten. Bochum: Brockmeyer. (Neuauflage: Wissenschaftl. Verlag Trier, 1995). Altmann, Gabriel (1988), Wiederholungen in Texten. Trier: Wissenschaftlicher Verlag. Altmann, Gabriel/Köhler, Reinhard/Rieger, Burghard (Hrsg.), Quantitative linguistics. Bd. 1. 1978K51. 1992 Z Bochum: Brockmeyer; Bd. 52. 1993 ff. Z Trier: Wissenschaftlicher Verlag. Altmann, Gabriel/Lehfeldt, Werner (1973), Allgemeine Sprachtypologie. München: Fink. Altmann, Gabriel/Lehfeldt, Werner (1980), Einführung in die Quantitative Phonologie. Bochum: Brockmeyer.

Altmann-Fitter. 1994. Lüdenscheid: RAM-Verlag (Z Software). Arens, Hans (1965), Verborgene Ordnung. Düsseldorf: Schwann. Best, Karl-Heinz (1999), Quantitative Linguistik: Entwicklung, Stand und Perspektive. In: Göttinger Beiträge zur Sprachwissenschaft 2 (Hrsg. H. Gutschmidt/C. Peust). Göttingen: Peust und Gutschmidt, 7K23. Best, Karl-Heinz (2003), Quantitative Linguistik: eine Annäherung. Göttingen: Peust und Gutschmidt. 2. Aufl. Billmeier, Günther/Krallmann, Dieter (1969), Bibliographie zur statistischen Linguistik. Hamburg: Buske. Eggers, Hans (1962), Zur Syntax der deutschen Sprache der Gegenwart. In: Studium Generale 15 (1), 49K59. Goebl, Hans (Hrsg.), Dialectology. Bochum: Brockmeyer, 1984. Grotjahn, Rüdiger/Kempgen, Sebastian/Köhler, Reinhard/Lehfeldt, Werner (Hrsg.), Viribus unitis. Festschrift für Gabriel Altmann zum 60. Geburtstag. Trier: Wissenschaftlicher Verlag, 1991. Guiraud, Pierre/Whatmough, Joshua (1954), Bibliographie critique de la statistique linguistique. Utrecht. Hoffmann, Lothar (Hrsg.), Fachsprachen und Sprachstatistik. Berlin: Akademie-Verlag, 1975. Hoffmann, Lothar/Piotrowski, Rajmund G. (1979), Beiträge zur Sprachstatistik. Leipzig: Verlag Enzyklopädie. Kaeding, Friedrich Wilhelm (1898), Häufigkeitswörterbuch der deutschen Sprache. Steglitz bei Berlin: Selbstverlag. Köhler, Reinhard (1986), Zur linguistischen Synergetik. Struktur und Dynamik der Lexik. Bochum: Brockmeyer. Köhler, Reinhard (1995), Bibliography of Quantitative Linguistics. Amsterdam/Philadelphia: Benjamins. Kreifelts, Barbara (1972), Eine statistische Stilanalyse zur Klärung von Autorenschaftsfragen. Diss., Univ. Köln. Kreuzer, Helmut/Gunzenhäuser, Rul (Hrsg.), Mathematik und Dichtung. 4. Aufl. München: Nymphenburger, 1971. Kreuzer, Helmut/Viehoff, Reinhold (Hrsg.), Literaturwissenschaft und empirische Methoden. Göttingen: Vandenhoeck & Ruprecht, 1981. Meier, Helmut (1964), Deutsche Sprachstatistik. 2. Aufl. Hildesheim: Olms. (Nachdruck 1978). Menzerath, Paul / Meyer-Eppler, Werner (1950), Sprachtypologische Untersuchungen. Lund. Menzerath, Paul (1954), Die Architektonik des deutschen Wortschatzes. Bonn u. a.: Dümmler.

3. Zur Vorgeschichte quantitativer Ansätze in der russischen Sprach- und Literaturwissenschaft Muller, Charles (1972), Einführung in die Sprachstatistik. München: Hueber. Nikitopoulos, Pantelis (1973), Statistik für Linguisten. Tübingen: Narr. Nübold, Peter (1974), Quantitative Methoden zur Stilanalyse literarischer Texte. Braunschweig. Piirainen, Ilpo Tapani (1972), Quantitative Vorgehensweisen in der automatischen Analyse der älteren deutschen Trivialliteratur. In: Schanze 1972, 88K106. Sabourin, Conrad F. (1994), Quantitative and statistical linguistics, bibliography. Montréal: Infolingua.

23

Schanze, Helmut (Hrsg.), Literatur und Datenverarbeitung. Tübingen: Niemeyer, 1972. Thumb, Albert (1911), Experimentelle Psychologie und Sprachwissenschaft. Ein Beitrag zur Methodenlehre der Philologie. Teil 1 und 2. In: Germanisch-Romanische Monatsschrift 3, 1K15; 65K 74. Zwirner, Eberhard/Zwirner, Kurt (Hrsg.), Grundfragen der Phonometrie. 3 Bände. 2., erw. u. verb. Aufl. Basel u. a.: Karger, 1966K1969. (1. Auflage Berlin: Metten, 1936).

Dieter Aichele, Worms (Deutschland)

3. Zur Vorgeschichte quantitativer Ansätze in der russischen Sprachund Literaturwissenschaft 1. 2. 3. 4. 5.

Einleitung Anfänge Mathematik in der Literatur Resümee Literatur (in Auswahl)

1.

Einleitung Wissenschaft erfordert Kontinuität, und nicht nur Hoffnung auf eine Perspektive, sondern auch Kenntnis der Retrospektive. A. A. Reformatskij (Frumkina 1987, 80)

Im vorliegenden Beitrag soll, aufbauend auf synoptischen Darstellungen wie denen von Papp (1966) oder Kempgen (1995; 1999), ein Überblick über die Vorgeschichte quantitativer Ansätze in der russischen Sprach- und Literaturwissenschaft in Russland geboten werden. Der zeitliche Rahmen, um den es dabei geht, erstreckt sich im Wesentlichen von der zweiten Hälfte des 19. Jh.s bis in die 30er Jahre des 20. Jh.s K ein Zeitraum also, der in Russland von weitreichenden kulturellen und politischen Veränderungen geprägt war. Die Notwendigkeit, diesem Zeitraum gesonderte Aufmerksamkeit zu schenken, ergibt sich zum einen aus der Tatsache, dass gerade in Russland bereits zu dieser Zeit zahlreiche quantitative Fragestellungen in einem Maße verfolgt wurden, wie dies anderswo nicht der Fall war (bzw. nicht bekannt ist). Zum anderen weist gerade der russische Bereich K und das ist natürlich

nicht isoliert von den politischen Rahmenbedingungen zu sehen K eine sehr eigene Geschichte von Kontinuitäten und Kontinuitätsbrüchen auf, deren Auswirkungen sich nicht auf den genannten Zeitraum beschränken, sondern mitunter bis in unsere Gegenwart reichen. Im Hinblick auf die genannte Fragestellung gilt es K vor allem auch im Vergleich zu anderweitigen Darstellungen K insbesondere darauf hinzuweisen, dass die folgenden Ausführungen sich nicht auf den engeren Bereich der quantitativen Linguistik (QL) beschränken, sondern allgemein den Bereich der Quantifizierung sprachlicher und textlicher Strukturen, also unter Einschluss auch literaturwissenschaftlicher (so etwa metrischer, versanalytischer, u. a.) Ansätze umfassen. Ebenso gilt es, einleitend auf die Notwendigkeit einer Präzisierung des Gegenstandsbereiches im Zusammenhang mit geschichtlichen und politischen Faktoren hinzuweisen: So wäre es im Hinblick auf die Anfänge der QL im Russland des 19. Jh.s aus historischer Sicht unzulässig, dem damaligen Russischen Zarenreich angehörige, heute jedoch selbständige Nationalstaaten (wie etwa Polen oder die Ukraine) aus dem Kreis der Betrachtung auszublenden. Ohne Frage ist jegliche diesbezügliche Ein-, Aus- oder Abgrenzung überaus problematisch; ungeachtet dessen sollen im vorliegenden Beitrag solche Arbeiten als dem Gegenstandsbereich der QL in Russland zugehörig angesehen werden, die in weiterem Sinne dem russischen Be-

24

I. Allgemeines / General

reich zugerechnet werden können. Die zur Sprache kommenden Arbeiten können sich somit, müssen sich aber nicht auf die russische Sprache beziehen, und sie können, aber müssen nicht auf russisch publiziert worden sein. Der aufgezeigten Erweiterung des Gegenstandsbereichs steht somit eine Einschränkung gegenüber, die den vorliegenden Beitrag der Pflicht enthebt, weltweite quantitative Forschungen zur russischen Sprache zu berücksichtigen.

2.

Anfänge

Sowohl ältere (vgl. Struve 1918) als auch neuere Darstellungen zur Geschichte der QL in Russland beziehen sich gern auf den Mathematiker Viktor Ja. Bunjakovskij (1804K1889), der K immerhin als damaliger Vizepräsident der Russischen Akademie der Wissenschaften K 1847 die Anwendung statistischer Verfahren auf grammatische, etymologische und sprachhistorisch-vergleichende Fragestellungen und somit die Etablierung einer Linguostatistik [статистика языка] forderte (vgl. Bunjakovskij 1847; Grzybek 2003). Zwar verwies Bunjakovskij auf eigene Forschungen in dem genannten Bereich K diese sind jedoch entweder nie durchgeführt worden, oder aber sie sind nie erschienen bzw. nicht erhalten. Somit werden häufig die ersten sprachstatistischen Untersuchungen in Russland zeitlich gegen Ende des 19. Jh.s angesetzt K eine Zeit also, als der Linguistik im Wesentlichen noch die Entwicklung synchron ausgerichteter Verfahren zur strukturellen Beschreibung von Sprache(n) bevorstand, und als auch die Statistik noch lange nicht ihre Methoden im heutigen Verständnis ausgearbeitet hatte. Bei diesen in Betracht gezogenen Arbeiten handelt es sich um Graphemoder Laut-Statistiken. Eine erste solche Graphemstatistik findet sich z. B. bei Anton S. Budilovič (1846K1908), einem Schüler des in Petersburg lehrenden Izmail I. Sreznevskij (1812K1880) K der übrigens 1839 eine von der Universität Charkov zunächst (1833) abgelehnte Dissertation über den Zusammenhang von Nationalökonomie und Statistik (Opyt o predmete i ėlementach statistiki i političеskoj ėkonomii sravnitel’no) vorgelegt hatte. Die in seiner Grammatik des Kirchenslawischen enthaltene Graphemstatistik von Budilovič (1883) K der später (1892K1902) Rektor der Universität in

Tartu (Dorpat, bzw., nach der Russifizierung Anfang der 90er Jahre, Jur’ev) werden sollte K basierte allerdings nicht, wie mitunter angenommen wird, auf eigenen Auswertungen; vielmehr übernahm er sie aus der Formenlehre des Kirchenslawischen (Schleicher 1852) des damals in Prag lebenden und lehrenden August Schleicher, der seinerseits damit frühere Angaben von Förstemann (1846; 1852) zum Deutschen, Griechischen, Lateinischen und Gotischen ergänzen wollte; genauere Darstellungen dieses Sachverhalts finden sich bei Grzybek/Kelih (2003; 2004). In Anbetracht dieses Umstandes sind es also die 90er Jahre des 19. Jh.s, aus denen die ersten originellen, quantitativ ausgerichteten Untersuchungen zum Russischen vorliegen. So legte 1891 der ukrainische Ethnologe Mitrofan A. Dikarev (1854K1902) eine erste Lautstatistik vor (vgl. Dikarev 1891); er hatte sich als Sekretär des statistischen Komitees im Gouvernement Voronež unter der Anleitung von F. A. Ščerbina (1849K 1936), einem ausgewiesenen Statistiker und Begründer der Volkswirtschaftsstatistik (vgl. Ščerbina 1925), mit statistischen Methoden vertraut gemacht. Dikarevs Arbeit ist insofern bemerkenswert, als sie bewusst auf der Basis von Texten und nicht von Wörterbuchmaterial erstellt wurde. Offenbar wollte Dikarev so dem systemischen Charakter sprachlicher Erscheinungen Rechnung tragen: Individuelle Wörter betrachtete er in Analogie zu einzelnen Bauernhöfen K so wie letztere in Dorfgemeinschaften organisiert sind, sind es Wörter in Sätzen, und so wie die Dörfer den Gouvernements unterstehen, folgen Sätze den Regeln eines vollständigen Textes. Es ist also weniger der Faktor der Frequenz, den Dikarev als distinktiv zwischen Wörterbuch- und Textmaterial hervorhob, als vielmehr der intrinischsystemische Charakter, den er offenbar erkannte. Ein erstes Frequenzwörterbuch wurde 1894 in Kiev von V. N. Kunickij vorgelegt, zeitlich also noch vor dem Häufigkeitswörterbuch der deutschen Sprache von Kaeding (1897/98), das üblicherweise als das erste seiner Art angesehen wird (vgl. Kunickij 1894). Allerdings bezog sich das Werk von Kunickij „nur“ auf den Text der Komödie Gore ot uma von A. S. Griboedov (unter Auslassung der sprechenden Personen, Textund Regieanweisungen, u. ä.). Eingang fanden so 3370 verschiedene Wörter, basierend auf 13246 Wortverwendungen, die in alpha-

3. Zur Vorgeschichte quantitativer Ansätze in der russischen Sprach- und Literaturwissenschaft

betischer Reihenfolge angeordnet wurden; den einzelnen Einträgen folgten neben der jeweiligen Vorkommenshäufigkeit die Nummern der Akte des Vorkommens (vgl. Ermolenko 1974). Während es sich bei diesen ersten Arbeiten im Grunde genommen also um mehr oder weniger rein empirische Datenerhebungen handelte, wurden Anfang des 20. Jh.s quantitative Ansätze auch bereits in linguistische, vor allem sprachhistorische Argumentationszusammenhänge gestellt. Das gilt z. B. für Dmitrij N. Kudrjavskij (1867K 1920); auch Kudrjavskij war, ebenso wie Budilovič, Absolvent der Petersburger Universität, und auch er lehrte später an der Universität Tartu [Jur’ev]. Kudrjavskij, der aufgrund seiner sprachpsychologischen Arbeiten mitunter als Nachfolger von Aleksandr A. Potebnja (1835K1891) angesehen wird, wandte in verschiedenen Arbeiten (vgl. Kudrjavskij 1909; 1911; 1912) extensiv statistische Verfahren an, mit dem Ziel, im Bereich der Linguistik zur objektivierenden Beschreibung sprachlicher Gesetzmäßigkeiten gelangen zu können. Dies formulierte Kudrjavskij (1909, 53) explizit, seiner Auffassung Ausdruck gebend, „dass die statistische Methode die Möglichkeit gibt, Erscheinungen zu bemerken, die sich normalerweise der Aufmerksamkeit des Forschenden entziehen.“ Für ihn lag die Bedeutung statistischer Methoden darin, „dass sie unserer Forschung eine Richtung verleiht. Und diese Richtung wird nicht durch unsere subjektiven Sichtweisen, sondern durch unerschrockene Ziffern bestimmt“ (Kudrjavskij 1909, 54). Die Tatsache, dass sich im damaligen Dorpat/Jur’ev ein frühes Zentrum quantitativer Linguistik herausbildete, ist mitnichten zufällig. Die Querbezüge dieser historischen Grundlagen der QL in Tartu K wie sie sich mit dem 1976 erschienenen 1. Band der Arbeiten zur Sprachstatistik [Töid keelestatistika alalt / Trudy po lingvostatistike], herausgegeben von der Gruppe für Sprachstatistik an der Philologischen Fakultät der Universität Tartu unter der Leitung von J. Tuldava, herausbildete K wären eigens zu untersuchen. Jedenfalls kamen zu Beginn des 20. Jh.s die entscheidenden Personen von der Petersburger Universität, die seinerseits zu einem erheblichen Maße von der Sprachwissenschaft der sog. Kazaner Schule geprägt war, welche nachhaltig den Boden für

25

die Herausbildung einer QL in Russland bereitete. Die sog. Kazaner Schule hatte sich gegen Ende des 19. Jh.s unter der Leitung von Ivan A. [Jan Ignacy Niecislaw] Baudouin de Courtenay (1845K1929) herausgebildet. In seinem konstruktiv-kritischen Umgang mit den Prinzipien des Junggrammatikalismus legte Baudouin die Grundlagen zu dessen Überwindung und warf den Schatten auf Konzeptionen voraus, die später dann allerdings eher mit dem Namen von Ferdinand de Saussure verbunden werden sollten (mit dem er übrigens in engem persönlichen Kontakt stand). Nach seinem Studium in Warschau und nach seiner Dissertation 1870 in Petersburg bei Sreznevskij war Baudouin 1875 nach Kazan, also an die östlichste Universität des damaligen russischen Reiches, berufen worden, wo er zunächst bis 1883 blieb. Auch wenn Forderung und Anwendung mathematisch-statistischer Methoden in der Sprachwissenschaft nicht im Vordergrund seines Denkens standen, durchziehen doch entsprechende Hinweise das gesamte Œuvre Baudouins schon seit seinen ersten Kazaner Vorlesungen der Jahre 1877/78, in denen er die qualitative und quantitative Beschreibung sprachlicher Systeme forderte. Gerade in Kazan musste ein solches Postulat auf offene Ohren stoßen: Denn Kazan war im 19. Jh. vor allem im Bereich der Mathematik eine der führenden russischen Universitäten. So lehrte hier seit 1874 K also zeitgleich mit Baudouin K Aleksandr V. Vasil’ev (1853K1929), ein Mathematiker höchsten Ranges und Herausgeber der Werke des herausragenden Mathematikers Nikolaj I. Lobačevskij (1792K1856), der seinerseits selbst in Kazan studiert hatte, wo er dann auch 1822 eine ordentliche Professur erhielt und 1827K1846 Rektor der Universität war. Zu den bedeutendsten Kazaner Studenten Baudouins zählten u. a. Mikołai Kruszewski (1851K1887) und Vasilij A. Bogorodickij (1857K1941), die später beide Baudouin auf dem Kazaner Lehrstuhl folgten: zunächst Kruszewski 1883 bis zu seinem frühen Tod 1887, dann Bogorodickij. Letzterer bezeichnete sein 1908 in Kazan erschienenes (stark von der Mathematik Lobačevskijs beeinflusstes) Buch Osnovy arifmetičeskogo sčeta [Grundlagen des arithmetischen Rechnens] (vgl. Bogorodickij 1908) als induktive Philologie; 1913 legte er umfangreiche Daten aus Studien zu Lautfrequenzen des Rus-

26 sischen vor, deren Ergebnisse u. a. in seinem Obščij kurs russkoj grammatiki [Allgemeinen Kurs der russischen Grammatik] (vgl. Bogorodickij 1935, 26 ff.) zu finden sind. Ebenfalls in Kazan erschienen um eben diese Zeit eine ganze Reihe von sprachstatistischen, vor allem lautstatistischen Arbeiten, so etwa von G. A. Aleksandrov (1911), V. Petrov (1911), oder V. Ermolaev (1915), der in seinen mathematisch-statistischen Bemühungen explizit auf die Anregungen seines Lehrers Bogorodickij verwies. De facto aber handelte es sich bei all diesen Untersuchungen um die Realisierung eines Postulats, das schon zuvor Baudouin in seinen frühen Kazaner Vorlesungen aufgestellt hatte, als er dazu aufforderte, die „Procentnyja otnošenija količestva otdel’nych zvukov v dannom jazyke“ [die Prozentsätze der Laute in einer gegebenen Sprache] statistisch zu untersuchen und zu bewerten. Baudouin selbst war 1883 zunächst an die Universität in Tartu übersiedelt, wo er neben seinen sprachwissenschaftlichen Studien auch höhere Mathematik studierte. Daran anschließend K nach der Russifizierung der Universität K ging er 1894 zunächst nach Krakau, bevor er 1900 nach Petersburg zurückkehrte, um dann schließlich vor Erlangen der politischen Selbständigkeit Polens (1918) bis zu seinem Tod nach Warschau zu gehen. Auch während seiner Petersburger Zeit wies er wiederholt dezidiert auf die Bedeutung der Mathematik für die Linguistik hin: Seiner Vorstellung nach sollte „die Linguistik sich mehr und mehr den exakten Wissenschaften annähern“ und „mehr und mehr quantitatives Denken nach dem Modell der Mathematik“ einführen (Baudouin 1909, 267). Vor diesem Hintergrund forderte er eine neue Mathematik [nowa matematyka], eine Mathematik der Zukunft [matematyka przyszłości]: Für Baudouin (1909, 268) ging es primär darum, dass die Untersuchung sprachlicher Fakten eine objektive Angelegenheit werden muss. Deswegen erwartete er von der Linguistik K ebenso wie von der Mathematik K, „unendliche Quantitäten auf endliche zu reduzieren, die dem analytischen Denken unterworfen werden können“ (Baudouin 1909, 267 f.). Noch zwei Jahre vor seinem Tod setzte Baudouin (1927) sich explizit mit dem Problem der Quantität im sprachlichen Denken auseinander: „Die einzige Methode, die eine mathematische Grundlage hat und die bislang in der Sprachwissenschaft anwendbar

I. Allgemeines / General

ist, ist die statistische Methode, d. h. die empirische Definition des wechselseitigen prozentualen Verhältnisses der verschiedenartigen Erscheinungen des sprachlichen Lebens (prozentuale Relationen in der beschreibenden und historischen Phonetik, in der Morphologie usw.). Andere mathematische Begriffe [.] werden bislang noch nicht angewendet“ (Baudouin 1927, 323). Er forderte deshalb abermals eine Mathematik der Zukunft, um im Sinne einer exakten Wissenschaft die „Gesetze der Welt der Sprache“ beschreiben zu können, welche die Abhängigkeit verschiedener Größen voneinander formal ausdrücken können (Baudouin 1927, 324). Zu den Hörern der Petersburger Vorlesungen von Baudouin gehörten zahlreiche Sprach- und Literaturwissenschaftler, von denen sich ohne Übertreibung sagen lässt, dass sie alle in den folgenden Jahren bzw. Jahrzehnten nachhaltig das Profil (nicht nur) der russischen Sprach- und Literaturwissenschaft verändern und ausnahmslos zu führenden Personen des akademischen Betriebs werden sollten, so u. a. Sergej I. Bernštejn ˙ jchenbaum (1886K (1892K1970), Boris M. E 1959), Lev P. Jakubinskij (1892K1945), Evgenij D. Polivanov (1891K1937/38?), Viktor B. Šklovskij (1893K1984), oder Lev V. Ščerba (1880K1944). Sie alle stellten auch, gemeinsam mit Jurij N. Tynjanov (1894K 1943) und Boris V. Tomaševskij (1890K 1957), das personelle Gerüst der 1916 gegründeten Petersburger „Gesellschaft zur Erforschung der poetischen Sprache“ (Opojaz) dar. In dem Bestreben, die Sprache der Literatur mit Hilfe linguistischer Methoden zu untersuchen, hatte diese Gruppe einen gemeinsamen Interessensschwerpunkt mit den Angehörigen des Moskauer Linguistischen Kreises (MLK). Der 1915 auf die Initiative von Roman O. Jakobson (1896K 1982) K damals noch Student K und Pëtr G. Bogatyrëv (1893K1971) gegründete MLK bestand bis 1924; erster Präsident war Jakobson (1915K20), 1920 gefolgt von Michail N. Peterson (1885K1962), dann 1921 von A. A. Buslaev, einem Enkel von Fedor I. Buslaev, und schließlich 1922K24 von Grigorij O. Vinokur (1896K1947), der 1915 erster Sekretär des MLK gewesen war. Im Vergleich zum Petersburger Opojaz war der MLK in methodologischer Hinsicht stärker linguistisch als literaturwissenschaftlich ausgerichtet, so dass bei der Erforschung der Literatur primär die Sprache in

3. Zur Vorgeschichte quantitativer Ansätze in der russischen Sprach- und Literaturwissenschaft

ihrer ästhetischen Funktion im Vordergrund stand. Bei der Gründung hatte man sich aus Gründen der formalen Legitimation mit der Moskauer Dialektologischen Kommission an der Akademie der Wissenschaften assoziiert. Federführend waren dort Aleksej A. Šachmatov (1864K1920) und Dmitrij N. Ušakov (1873K1942), beide Schüler von Filipp F. Fortunatov (1848K1914), dem Begründer der sog. Moskauer Schule der Linguistik. Diese hatte sich nahezu zeitgleich mit der Kazaner Schule etwa ab den 70/80er Jahren des 19. Jh.s herausgebildet, und auch mit ihr hatte sich wesentlich der Junggrammatikalismus in Russland etabliert. Interessanterweise entstanden die Arbeiten sowohl der Moskauer als auch der Kazaner Schule vor dem Hintergrund eines allgemein-semiotischen Verständnisses von Sprache (vgl. Grzybek 1999): So war etwa in der Kazaner Schule für Bogorodickij Sprache ein „Zeichen für den Ausdruck von Begriffen und Gedanken“, und auch für Kruszewski war nicht nur das Wort allgemein ein „Zeichen des Dinges“, sondern er verstand Sprache als ein „System von Zeichen“, was ihn mit der (späteren) Linguistik Saussures vereinen sollte. Und auch Fortunatov (1956) deklarierte in seinen Vorlesungen Sprache als eine „Menge von Zeichen“, „Zeichen dessen, was absolut nicht unmittelbar in unserem Denken repräsentiert sein kann“ (Fortunatov 1956, 111 f.). In der unmittelbaren Tradition Fortunatovs K der zufolge es Sprache vor allem in ihrem formalen Aspekt zu untersuchen galt K standen später dann führende russische Linguisten wie Aleksandr M. Peškovskij (1848K1933), Michail N. Peterson (1885K 1962), Viktor K. Poržežinskij [Porzezin´ski] (1870K1929), oder eben die bereits erwähnten Šachmatov und Ušakov. Das Kazaner Bemühen um wissenschaftliche Exaktheit einerseits, und die streng formale Ausrichtung der Moskauer Schule andererseits stellten somit seitens der Linguistik essentielle Grundlagen für die Herausbildung der sog. Russischen Formalen Schule (Russischer Formalismus) dar, wie die Zusammenarbeit des Petersburger Opojaz und des MLK bezeichnet wurde. Genährt durch das gemeinsame Interesse an insbesondere auch synchron ausgerichteten Fragen, und in enger (personeller und sachbezogener) Verwobenheit mit der damaligen Avantgardekunst stand im Fokus dieser sprach-, literatur- und kunsttheoretischen Richtung die Untersu-

27

chung der künstlerischen Form. Form wurde hierbei nicht als Gegensatz, sondern als dialektisches Komplementat zum Inhalt verstanden, so dass ganz zwangsläufig die Frage nach der semantischen Funktion formaler Elemente in den Vordergrund rückte K was bei der formal-grammatischen Linie Fortunatovs so übrigens nicht der Fall war, so dass es den Begriff des Formalismus hier sehr differenziert zu sehen gilt. Ungeachtet dessen liegt es auf der Hand, dass die strikte Trennung von Sprach- und Literaturwissenschaft im Russischen Formalismus aufgebrochen und de facto auch nicht aufrecht zu halten war. Im gemeinsamen Streben nach der Entwicklung und Etablierung einer synchronen Sprach- und Literaturwissenschaft als einer exakten Wissenschaft war der Rückgriff auf (damals verfügbare) mathematisch-statistische Verfahren zur Beschreibung sprachlicher und poetischer Strukturen mehr als nahe liegend und wurde in der Tat auch vollzogen. Während es sich im Bereich der Sprachwissenschaften allerdings überwiegend um die oben bereits genannten, in der Tradition der Kazaner und Moskauer Schule stehenden Linguisten handelte, war die Diskussion quantitativer Verfahren im Bereich der Literaturwissenschaft stärker durch ein weiteres, nicht unbedingt zum personellen Kernbestand der Formalen Schule zählendes Umfeld geprägt. Dieser Umstand erklärt auch die Tatsache, warum entsprechende historische Darstellungen des Russischen Formalismus (vgl. Erlich 1973; Hansen-Löve 1978; Steiner 1984) diesem Aspekt bestenfalls sporadisch gerecht werden; eine Aufarbeitung der Diskussion quantitativer Verfahren insbesondere im literaturwissenschaftlichen Bereich steht bis heute noch aus und kann im Folgenden auch nur ansatzweise geleistet werden.

3.

Mathematik in der Literatur

Angeregt waren zahlreiche Arbeiten in dieser Richtung nicht zuletzt von Dichtern, die sich auch theoretisch mit den Grundlagen der poetischen Sprache und formalen Aspekte der Poesie beschäftigten. In erster Linie sind hier Andrej Belyj (1880K1934) und Valerij Ja. Brjusov (1873K1924) zu nennen. Belyj, mit eigentlichem Namen Boris N. Bugaev, war ein Sohn von Nikolaj Vasil’evič Bugaev (1837K1903), einem Mathematiker,

28

I. Allgemeines / General

der Dekan der physikalisch-mathematischen Fakultät der Moskauer Universität war. Belyj war nicht nur einer der wichtigsten symbolistischen Dichter seiner Zeit, sondern auch ein einflussreicher Literatur- und Kulturtheoretiker. In seinem 1910 erschienenen literatur- und kulturtheoretischen Sammelband Simvolizm (Belyj 1910) waren unter anderem eine Reihe statistischer Untersuchungen zur Rhythmik und Metrik poetischer Texte enthalten. Für diese Arbeiten erhielt Belyj später K ungeachtet der Tatsache, dass sie mitunter heftig kritisiert wurden K die ungeteilte Anerkennung, statistische Verfahren in die Analyse poetischer Texte eingeführt zu haben. Ausgangsziel Belyjs war ohne Frage eine wissenschaftliche Beschäftigung mit Literatur bzw. Poesie. So ging er in seiner 1909 als Vortrag gehaltenen Studie „Лирика и эксперимент“ [Lyrik und Experiment] davon aus, dass die Grenzen exakten Wissens nicht durch das Objekt gegeben seien, sondern durch eine bestimmte Perspektive auf das Objekt (Belyj 1910, 231). Zwar sei es im Bereich der Ästhetik nicht zur Herausbildung einer solchen (eigenständigen) exakten Wissenschaft gekommen (Belyj 1910, 236) K diese sei auch nur als System von Wissenschaften denkbar K dennoch sei durchaus die wissenschaftliche Betrachtung eines poetischen Objekts möglich. So sei eine der Aufgaben der zeitgenössischen Poetik die exakte Bestimmung des Rhythmus, vor allem dessen Abgrenzung vom Metrum (Belyj 1910, 254). Als ein erstes Beispiel zur Veranschaulichung dessen, worauf er hinaus will, dienten Belyj (Belyj 1910, 259) die ersten beiden Verszeilen aus Puškins Evgenij Onegin, einem in vierfüßigem Jambus geschriebenen Versroman:

Jambus (gK) durch eine Pyrrhichie (gg) ersetzt werde. Когда K не в шут K ку за K немог gK K gK K gg K gK K Diese Pyrrhichien, deren Vorkommen Belyj als einen Beschleunigungsfaktor ansieht, können zwar in jedem der vier Takte vorkommen; die Art des Vorkommens aber ist von Dichter zu Dichter verschieden. So lautet jedenfalls das Ergebnis statistischer Berechnungen von Belyj, der Texte von 24 Dichtern im Hinblick auf diese Fragestellung verglichen hat und aufgrund der Ergebnisse die Poeten intuitiv in drei Gruppen einteilte (Belyj 1910, 262); versucht man mit modernen Methoden wie etwa Cluster-Analysen eine solche Gruppenbildung zu reproduzieren, so erweisen sich immerhin 20 der 24 Zuordnungen als haltbar. Abgesehen von seinen auf den genannten Berechnungen beruhenden Schlussfolgerungen hat Belyj jedoch noch einen anderen Weg der Bearbeitung eingeschlagen, nämlich die Erarbeitung spezifischer Graphiken, die ihm als Grundlage weiterer Berechnungen dienen. Verbindet man nämlich wie in Abb. 3.1a (Belyj 1910, 260) die jeweiligen Pyrrhichien miteinander, so ergeben sich bestimmte geometrische Figuren wie z. B. die in Abb. 3.1b dargestellten:

Мой дядя самых честных правил, Когда не в шутку занемог, [.] Mein Onkel, brav und hoch zu preisen, scheint nun doch ernsthaft krank zu sein Die erste Zeile nähere sich, so Belyj, aufgrund des Zusammenfallens der Betonungen in den Wörtern mit den langen Silben der jambischen Struktur an: Мой дя K дя са K мых че K стных пра K вил

Abb. 3.1a: Visualisierung von Pyrrhichien nach Belyj (1910, 260)

Die zweite Zeile hingegen weiche von der reinen jambischen Struktur ab, weil das Wort занемог eine zweite Betonung bzw. eine Nebenbetonung annehme, so dass der

Aufgrund der Art und Häufigkeit des Vorkommens dieser Figuren unterschied Belyj einen „armen“ und einen „reichen“ Rhyth-

3. Zur Vorgeschichte quantitativer Ansätze in der russischen Sprach- und Literaturwissenschaft Dach

umgekehrtes Dach

Quadrat

Leiter

Rhombus

29

Kreuz

Abb. 3.1b: „Figuren“ nach Belyj (1910)

mus, verglich abermals die Vorkommenshäufigkeit in den Texten der 24 Autoren je nach Vorkommensstelle in der Verszeile, usw. Während Belyj (1910, 331) seine „graphischen und statistischen Tabellen“ allerdings noch als einen Beitrag zur „Anatomie des Stils“ (Belyj 1910, 286) ansah, und sie im Gegensatz zu subjektiven Wertungen als „unvoreingenommene Strukturbeschreibung“ betrachtete, betonte er später, seine Untersuchungen seien „experimentell, nicht theoretisch“ (Belyj 1929, 25). Ungeachtet dessen bezeichnete er sich selbst explizit als „Formalist vor den Formalisten in Russland“ (Belyj 1929, 28). Diese rückblickende Aussage lässt sich fraglos als Abgrenzung gegen die russischen Formalisten werten, insbesondere als Angriff gegen Viktor M. Žirmunskij (1891K1971), der seit 1920 Leiter der Abteilung für Literaturgeschichte am Petersburger Staatlichen Institut für Kunstgeschichte war, und der sich in seinem Buch Vvedenie v metriku (1925) u. a. kritisch mit Belyj auseinandergesetzt hatte. Ähnlich hatte auch Tomaševskij (1923b, 3) betont, dass es in Russland keine Wissenschaft vom Vers gebe: die Arbeiten von Belyj seien zwar durchaus wissenschaftlichen Charakters, ergäben aber kein wissenschaftliches System. Genau solche Stellungnahmen veranlassten Belyj dann offenbar, sich selbst insofern als „formalistischer als die Formalisten selbst“ (Belyj 1929, 25) zu nennen, da er die formale Untersuchung der Poesie bis an ihre Grenzen, nämlich bis zur Mathematik, geführt habe (Belyj 1929, 25). Damit weist Belyj allerdings genau auf den Punkt hin, welcher die methodologische Kritik auf sich zog K die Tatsache nämlich, dass er es nicht bei mathematisch basierten Strukturbeschreibungen beließ, sondern die auf den Berechnungen basierenden geometrischen Figuren spekulativ interpretierte und bewertete. So sah es auch Žirmunskij (1929, 204) in seiner Reaktion auf Belyjs (1929) Ritm kak dialektika: Berechnungen und Graphi-

ken, die eigentlich Hilfsmittel zur größeren Anschaulichkeit abstrakter Schlussfolgerungen sein sollten, würden bei Belyj zu einer Art statistischer Gesetze des Rhythmus, zu einer Art Zahlenmystik. Ungeachtet aller (berechtigten und unberechtigten) Kritik, die Belyj entgegen gebracht wurde, folgten dem von ihm in seinem Buch Simvolizm (1910) eingeschlagenen Weg recht bald eine Reihe von Literaten und Verstheoretikern. Als erstes zu nennen sind hier Sergej M. Luk’janov (1855K 1935) und Valerian A. Čudovskij (1891K 1938?). Luk’janov veröffentlichte 1914 eine Studie des Gedichts „Angel’ Smerti“, das von dem zeitgenössischen, ein Jahr zuvor verstorbenen Poeten Arsenij A. Goleniščev-Kutuzov (1848K1913) stammte. Mit dieser Studie stellte Luk’janov, Medizin-Professor, Literat und Biograph des bedeutenden russischen Religionsphilosophen Vladimir S. Solov’ëv (1853K1900), im Prinzip Fragen, die erst sehr viel später K dann freilich auf höherem Niveau K die quantitative Stilistik beschäftigen sollten. Für Luk’janov (1914) bestand der Wert seiner Untersuchungen insbesondere darin, „dass sie zur Erhellung der äußeren und technischen Mittel beitragen können, derer sich ein gegebener Dichter zum Ziel des künstlerischen Ausdrucks bedient“ (Luk’janov 1914, 351). Für ihn öffnete sich damit ein wissenschaftliches Feld, das bis dato noch kaum ausgearbeitet sei K nämlich die Physiologie und Psychologie des Unbewussten. Luk’janov bezog sich hierbei in erster Linie auf die damals aktuellen (und teilweise auch ins Russische übersetzten) Schriften von Eduard von Hartmann (Die Philosophie des Unbewussten, 1869), von William James (The Varieties of Religious Experience, 1902), oder Joseph Grasset (Introduction physiologique à l’étude de la philosophie, 1908). In seinen eigenen Analysen untersuchte Luk’janov u. a. die (in Silben berechnete) Vorkommenshäufigkeit von Wortlängen innerhalb der einzelnen Stro-

30 phen und im Gesamttext, und verglich sie mit einem Text von A. S. Puškin. Dabei stellte er fest, dass der Anteil ein- und zweisilbiger Wörter in dem untersuchten Text mit 73 % im Vergleich zu 70 % nur unbedeutend höher sei; auch den prozentualen Anteil von Verben und Substantiven untersuchte er und stellte keine wesentlichen Unterschiede fest; einer detaillierten Analyse des Konsonanten- und Vokalbestandes ließ er Untersuchungen zum lexikalischen Reichtum folgen und arbeitete heraus, dass im „Angel’ Smerti“ von den 96 Wörtern 55 nur ein einziges Mal vorkommen, 41 hingegen zwei- oder mehrmals, so dass seiner Meinung nach von „lexikalischem Geiz“ keine Rede sein könne (Luk’janov 1914, 330); schließlich ordnete er den Text aufgrund eines Vergleichs der Textlänge in das Gesamtwerk des Autors ein. Čudovskij, für den die Untersuchung des Verses als einer formalen Erscheinung in erster Linie eine Frage der Klassifikation ist (Čudovskij 1915, 57), ging es in einer Reihe von Aufsätzen (Čudovskij 1914; 1915; 1917) in erster Linie um „eine Theorie über den Zusammenhang von Form und Inhalt“ (Čudovskij 1914, 110), die er im Wesentlichen allerdings als eine „Angelegenheit der Zukunft“ betrachtete. Bei der Vertiefung der von Belyj aufgeworfenen Frage nach einer adäquaten Differenzierung von Rhythmus und Metrum wirft Čudovskij (1914, 116) im ersten der drei Texte die Frage auf, wie viel Prozent der Silben im Russischen überhaupt eine Betonung aufweisen. Da seines Wissens diesbezüglich keinerlei sprachwissenschaftliche Untersuchungen vorliegen, führte er selbst Analysen an der Prosa von Turgenev durch, deren Unvollständigkeit er durchaus selbst einräumte. In der Tat sollte erst Jahre später Šengeli (1923) diese Frage noch einmal aufgreifen und in größerem Maßstab untersuchen (s. u.). Jedenfalls kam Čudovskij K ungeachtet der Problematik der Behandlung von Neben-Betonungen, für die bis dato noch keine Klassifikation erarbeitet worden sei K auf einen Prozentsatz von 35K42 %. Der Schluss liege deshalb auf der Hand, dass in einem fünffüßigen Jambus theoretisch nicht mehr als 4½ Betonungen pro Verszeile zu erwarten seien. Die Bestätigung einer solchen Schlussfolgerung bedürfe jedoch, so Čudovskij (1914, 116), einer „kolossalen statistischen Arbeit“. So sei es zum Beispiel in Anbetracht des genannten Pro-

I. Allgemeines / General

zentsatzes nicht angebracht, davon auszugehen, dass in einem Text mit fünffüßigem Jambus 3½ Betonungen pro Verszeile vorkämen. Vor dem Hintergrund dieses zu erwartenden Minimums einerseits und der ein Vorkommen von fünf Betonungen voraussetzenden Norm andererseits finde offensichtlich seitens des Dichters eine spezifische lexikalische Auswahl statt. Während Čudovskij (1914, 117 ff.) solche Schwankungen innerhalb eines Textes exemplarisch aufzeigte, forderte er in Weiterentwicklung dieser Überlegungen später die „vergleichende Berechnung der relativen Häufigkeit von Wörtern nach verschiedenen logometrischen Typen, d. h. nach Stelle der Betonung und Anzahl der Silben“ (Čudovskij 1917, 69). Als Ergebnis entsprechender Untersuchungen kam er zu dem Schluss, „dass Puškin zu einem gewissen Grad ein eigenes Lexikon für jedes Versmaß hatte [...], auf bestimmte Art vielleicht ein Art Determinante des Rhythmus ...“ (Čudovskij 1917, 69). Čudovskij (1915, 61) entwickelte ein Verfahren zur Beschreibung der Versstruktur, das er selbst als „mathematisch“ bezeichnete, und dessen Basisschema wie folgt aussah: Jambus Trochäus Anapäst Daktylus Amphybrachys

2n 2nC1 3n 3nC1 3nC2

Zur detaillierten Beschreibung eines Verses verwendete er das Plus- und Minuszeichen (C bzw. K) zur Bezeichnung von Erweiterungen bzw. Kürzungen des Versschlusses (sog. hyperkatalektische bzw. katalektische Versschlüsse), gab in eckigen Klammern zusätzlich die Stelle des Ausfalls von Betonungen an, und führte die Anzahl der Wörter pro Verszeile inkl. Anzahl der Betonungen (in Form von hochgestellten Indizes) bei Wörtern mit zwei oder mehr Betonungen an. Eine Verszeile wie Морозой пылю серебрится erhielt demnach die folgende Form: 4 (2n) C 1 [3] 3, 2, 42 Auf dieser Grundlage berechnete Čudovskij (1915, 84) die Vorkommenshäufigkeiten der verschiedenen Möglichkeiten in verschiedenen Texten Puškins und nahm damit methodologisch Untersuchungen vorweg, die V. Nabokov erst Jahrzehnte später in seinem

3. Zur Vorgeschichte quantitativer Ansätze in der russischen Sprach- und Literaturwissenschaft

Kommentar zu Evgenij Onegin zur Anwendung bringen sollte. Ungeachtet seiner eigenen Berechnungen forderte Čudovskij (1917, 58) allerdings die genaue Berechnung der Abweichung von Durchschnittswerten; die Behandlung dieser Frage werde jedoch durch das Problem des Verhältnisses von Norm und spezifischem Text kompliziert: es stelle sich nämlich die grundsätzliche Frage, welche genauen Berechnungen eigentlich auf der Basis einer falsch gewählten Norm möglich seien. Sowohl Luk’janov als auch Čudovskij entwickelten die von Belyj aufgeworfenen Fragen auf die eine oder andere Art weiter. Überaus positiv schätzte später deshalb auch der Statistiker Setnickij (s. u.) die Arbeiten von Luk’janov und Čudovskij ein. Die Arbeit von Luk’janov war für ihn ein Beispiel der Art von Daten, über die man für jeden einzelnen Dichter und für die russische Poesie insgesamt verfügen sollte (Setnickij 1922, 24). Und die Arbeiten von Čudovskij nannte er „den Moment, ab dem man von einer seitens der Verstheoretiker klar erkannten Notwendigkeit der ernsthaften, auf entsprechender statistischer Bearbeitung des Materials begründeter Erforschung des Verses“ sprechen könne (Setnickij 1922, 25). Insofern sei Čudovskij zweifellos als „Impuls für die breite, methodologisch fundierte und durchdachte Anwendung der statistischen Methode in der Verswissenschaft“ anzusehen (Setnickij 1922, 26). Diese positive Entwicklung bemerkten auch zeitgenössische Rezensenten. So kritisierte etwa Bobrov in seiner 1916 erschienenen Aufsatzsammlung Zapiski stichotvorca (Bobrov 1916) an einem ebenfalls in Anlehnung an Belyj geschriebenen Beitrag von Nedobrovo (1912), dass dieser sich „in direkter Abhängigkeit von Belys Simvolizm befindliche Text“ faktisch „nicht der Rede wert“ (Bobrov 1916, 75) sei, da er nicht über das dort Dargestellte hinausgehe K hingegen seien die Beiträge von Luk’janov und Čudovskij immerhin darum bemüht, etwas Neues zu bieten, auch wenn sie im Prinzip nach dem Modell von Belyj arbeiteten. Sergej Pavlovič Bobrov (1889K1971) trat wiederholt ebenso als Poet wie auch als Literaturtheoretiker in Erscheinung. Nachdem er eine Zeit lang Mitglied des sog. Rhythmischen Kreises von A. Belyj gewesen war, sagte Bobrov sich recht bald von dem zunächst von ihm bewunderten Belyj los und

31

wurde selbst Vordenker und führender Kopf einer bedeutenden literarischen Gruppe, nämlich der futuristisch ausgerichteten Centrifuga (aus der u. a. auch Boris Pasternak hervorging). Neben seinen literarischen und literaturtheoretischen Beschäftigungen wurde Bobrov später ein anerkannter Spezialist für ökonomische Statistik, der in den 50er Jahren u. a. populäre Mathematiklehrbücher für Kinder schrieb, so z. B. Das ZauberZweihorn [Volšebnyj dvurog, 1949] und Der Archimedische Sommer [Archimedovo leto, 1959K 62]. Bobrov war interessanterweise eine derjenigen Personen, die fast ein halbes Jahrhundert später, in den 60er Jahren, abermals mit Untersuchungen zur quantitativen Literaturwissenschaft prominent in Erscheinung traten (Bobrov 1964a; 1964b; 1965; 1967). So stellte er z. B. 1964 in der Zeitschrift Teorija verojatnostej i ee primenenie [Wahrscheinlichkeitstheorie und ihre Anwendungen] eine quantifizierende Versanalyse vor, in der er u. a. auf seine eigenen frühen Arbeiten (Bobrov 1915) ebenso wie auf die von B. V. Tomaševskij (1916a) verwies, mit dem er seit 1916 in engem Briefkontakt gestanden hatte (s. u.). Einen anderen Aufsatz leitete Bobrov (1965) in der Zeitschrift Russkaja literatura mit den programmatischen Worten ein: „Jeder Literaturwissenschaftler muss in unserer Zeit die Verdienste und Errungenschaften der statistischen Methode verstehen und anerkennen.“ (Bobrov 1965, 109). In diesem Text verwies er auch hier ein weiteres Mal auf Tomaševskij, der als Erster wahrscheinlichkeitstheoretische Verfahren in die Versforschung eingeführt habe.

Bobrov war seit 1916 in engem Kontakt und Briefwechsel mit Boris V. Tomašеvskij (1890K1957), einem der wichtigsten Literaturtheoretiker des Russischen Formalismus, der später Leiter des Puškin-Instituts der Akademie der Wissenschaften der UdSSR wurde. Die Arbeiten Tomaševskijs nehmen im Kontext des Russischen Formalismus, vor allem im Hinblick auf die Anwendung mathematisch-statistischer Verfahren auf Sprache und Literatur, einen besonderen Stellenwert ein und vermitteln einen lebendigen Eindruck vom Status mathematischer Ansätze insbesondere in der Literaturwissenschaft der 10er und 20er Jahre. Da Tomaševskij nach Abschluss des Gymnasiums aufgrund politischer Aktivitäten der Zugang zu den höheren Bildungsinstitutionen in Russland versperrt war, absolvierte er in Belgien (Lie`ge) ein Studium der Elektrotechnik (1908K1912), in dem er sich grundlegende mathematische Kenntnisse aneignete. Wie aus im Jahre 1990 publizierten Erinnerungen hervorgeht, ging es ihm schon

32 in seinen ersten wissenschaftlichen Arbeiten (ab 1915) „um die Anwendung von Methoden der mathematischen Statistik und der Wahrscheinlichkeitstheorie auf konkretes Material“ (Bobrov 1916, 143). Hierin deckten sich die Interessen von Tomaševskij und Bobrov, in dessen Tagebuchaufzeichnungen sich in ähnlicher Weise wie bei Tomaševskij bereits im Jahre 1912 die Absicht formuliert findet, „höhere Mathematik zu studieren, und mit ihr Fakten des Rhythmus zu bearbeiten“ (Bobrov 1916, 143) K in der Tat sollte Bobrov 1919 ein Studium der mathematischen Statistik aufnehmen. Tomaševskij legte noch in den 10er Jahren eine Reihe statistischer Arbeiten zur Elektrotechnik mit praktischer Ausrichtung vor, so etwa 1918 eine „Statistik der Beschädigungen von Telegraphenleitungen“ (Tomaševskij 1918a) oder 1919 eine „Statistik der Post- und Telegraphenämter“ (Tomaševskij 1919a), die im Zusammenhang mit den „neuen Aufgaben des staatlichen Aufbaus“ erarbeitet wurden. Obwohl er in den 30er Jahren an einem Leningrader SchiffsbauInstitut höhere Mathematik lehrte, ist doch gerade der Bereich der poetischen Sprache als dominanter Anwendungsbereich seiner statistischen Arbeiten anzusehen. Eine der ersten Arbeiten, in denen Tomaševskij (1916a) dieses Programm in Angriff nahm, war seine Rezension zu dem Buch Novoe o stichosloženii A. S. Puškina (Moskva 1915) von Bobrov, dessen Untersuchung eine kritische Auseinandersetzung mit Analysen Brjusovs zur Verstechnik Puškins enthielt. In der Folge entwickelte sich zwischen Bobrov, der 1916 auch eine statistische Untersuchung zur Vorkommenshäufigkeit verschiedener Konsonantentypen in poetischen Texten vorgelegt hatte (vgl. Bobrov 1916), und Tomaševskij ein Briefwechsel. In diesem kam insbesondere die beiden gemeinsame Ablehnung des Herangehens von Belyj zum Ausdruck. So schrieb Tomaševskij 1916 in einem Brief an Bobrov: „Ich muss bei Belyj das völlige Fehlen von mathematischem Takt feststellen. Auch wenn er, vielleicht, über einen ausreichenden Vorrat an mathematischen Kenntnissen verfügt, so hat Belyj doch deutlich eine Unfähigkeit an den Tag gelegt, mathematische Untersuchungsverfahren zu beherrschen“ (vgl. Tomaševskij 1916b, 142 f.). Wie Tomaševskij (1919b) in einem 1919 im MLK gehaltenen und 1923 erstmals publizierten Vortrag bemerkte, machte er

I. Allgemeines / General

durchaus keinen Hehl daraus, dass er die prinzipielle Fruchtbarkeit von Belyjs Vorgehen „in der Anwendung der statistischen und deskriptiven Methode, im Unterschied zur nomenklatorischen und normativen Methode anderer Forscher“ (Tomaševskij 1919b, 139) schätzte; auch sah Tomaševskij Belyj objektiv als Begründer einer statistischen Theorie des russischen Verses an: „[.] тем не менее создал статистическую теорию русского стиха“ (Tomaševskij 1924, 324). Das versperrte ihm allerdings nicht den Blick, dessen Ansatz äußerst kritisch zu beurteilen. Was Tomaševskij an Belyj insbesondere kritisierte, war die seiner Meinung nach „voreilige Bewertung individueller Erscheinungen [.], welche die Strenge der Untersuchung zerstört“ (Tomaševskij 1919b, 139). In einem 1922 als Vortrag gehaltenen Beitrag bezog Tomaševskij (1923a, 35) seine Auffassung, die statistische Methode werde ad absurdum geführt, wenn ungeübte Philologen sie dazu verwendeten, von ihnen berechnete Koeffizienten verschiedener Art wie Bewertungsnoten zu handhaben, explizit auf Belyj. In diesem Falle würden statistische Verfahren nur mit dem Ziel eingesetzt, evaluative Koeffizienten zu erhalten, damit ein Qualitätsurteil über den Untersuchungsgegenstand getroffen werden könne K so etwa ließe sich eine vermeintliche Überlegenheit von Puškin über andere Dichter feiern, weil in dessen Texten irgendein Koeffizient 20 und nicht etwa nur 5 betrage. Es war insbesondere diese Vermengung quantitativer Verfahren mit dem Anspruch, aus ihnen unmittelbare qualitative Schlussfolgerungen zu ziehen, die Tomaševskij nachhaltig kritisierte: „Man darf nicht vergessen, dass man auch bei einer korrekt durchgeführten Berechnung als Ergebnis eine Zahl erhält, die lediglich die Häufigkeit einer Erscheinung charakterisiert, aber mitnichten ihre Qualität. Aber auch der Umgang mit einer solchen nackten Zahl verlangt, wenn man sie nicht nur als groben Index bezüglich der Vorkommenshäufigkeit oder -seltenheit verwendet, große Sorgfalt. Das Wichtigste ist es, ihren Grad an Exaktheit zu bestimmen. Hier überschreiten wir die Grenze der elementaren Aufgabenstellung der Berechnung und gehen zu speziell statistischen Fragen über (.)“ (Tomaševskij 1923a, 36). Doch Tomaševskijs Skepsis richtete sich keineswegs nur gegen Belyj. Ein anderes

3. Zur Vorgeschichte quantitativer Ansätze in der russischen Sprach- und Literaturwissenschaft

Objekt seiner Kritik waren die Arbeiten von Georgij A. Šengeli (1894K1956), die trotz aller Einwände, die sich ihnen gegenüber vorbringen lassen, Ecksteine der russischen Verstheorie darstellen: Sein zunächst 1921 erschienener Traktat o russkom stiche kam 1923 in zweiter, erweiterter Auflage heraus (Šengeli 1923), und auch sein später entstandenes Buch Technika sticha (Šengeli 1940) K welches vom Gegenstand her ausschließlich verstheoretisch ausgerichtet ist und daher im hier gegebenen Kontext nicht ausführlicher besprochen werden muss K erlebte 1960 eine zweite Auflage. In seiner ersten verstheoretischen Arbeit, der 1916 fertig gestellten, 1918 eigenständig erschienenen Studie Dva Pamjatnika (Šengeli 1918), untersuchte Šengeli zwei gleich lautende Gedichte mit dem Titel „Pamjatnik“: das fünfstrophige Gedicht von Puškin sowie das sechsstrophige von Brjusov. Beide Texte weisen jeweils vierzeilige Strophen mit jambischem Metrum und Paarreim auf. Neben verschiedenen inhaltlichen stellte Šengeli auch eine Reihe quantitativer Vergleiche an: So berechnete er u. a. für die einzelnen Strophen und Texte die Anzahl der Worte und die Wortlängen in der Anzahl der Silben pro Wort. Auch die Häufigkeit der Konsonanten und Vokale berechnete er für beide Texte: Demnach kommen in dem Puškin-Text bei 306 Konsonanten und 230 Vokalen auf einen Vokal im Durchschnitt 1,33 Konsonanten, in dem Brjusov-Text bei 397 Konsonanten und 276 Vokalen sind es 1,44. Weiterhin berechnete Šengeli die mittlere Wortlänge in der Anzahl der Buchstaben pro Wort K dividiert man nun für beide Texte jeweils die Gesamtzahl der Worte durch die Summe der Buchstaben, so ergibt sich für den Puškin-Text bei 117 Wörtern und 536 Buchstaben eine mittlere Wortlänge von 4,58, für den Brjusov-Text bei 137 Wörtern und 673 Buchstaben eine mittlere Länge von 4,91 Buchstaben pro Wort. Aufgrund dieser Werte hat Šengeli K davon ausgehend, dass sich kürzere Wörter und Wörter mit einer (wie er meinte) günstigeren Konsonanten-Vokale-Relation leichter aussprechen lassen K so etwas wie eine Transparenz beider Texte berechnet: Dividiert man zunächst die Summe der Buchstaben des Brjusov-Textes durch die des Puškin-Textes (673 : 536 Z 1,26), dividiert sodann die mittlere Wortlänge des BrjusovTextes durch diejenige des Puškin-Textes (4,91 : 4,58 Z 1,07), und multipliziert schließ-

33

lich die beiden Quotienten miteinander, so ergibt sich ein Wert von 1,35, den Šengeli (1918, 11) als Indiz einer um den Faktor 1,35 größeren Leseschwierigkeit interpretiert. Als wesentliches Ergebnis seiner Formanalysen kam Šengeli (1918) zu der Schlussfolgerung, dass sich in fast allen Bereichen herausgestellt habe, dass Brjusov über „меньшее мастерство распрояжения словом“ [weniger Meisterschaft im Umgang mit dem Wort] verfüge als Puškin: „Der Rhythmus ist ärmer, die Wörter sind schwerer, die Armut an Alliterationen ist größer, die Menge von für das Gehör unangenehmen Lauten ist größer, Stauungen, Kakophonie“ (Šengeli 1918, 13). Tomaševskij empfand das Vorgehen Šengelis als einen „zum Himmel schreienden Verstoß gegen das Grundgesetz der induktiven Statistik, das Gesetz der großen Zahlen“; die statistischen Untersuchungen seien aus diesem Grunde zwar „reich an Material“, aber „arm an Rückschlüssen“ und brächten „keinerlei unmittelbare Ergebnisse“ (Tomaševskij 1918b, 104 f.). Vor allem aber sahen Kritiker wie Bobrov oder Tomaševskij in solchen auf den Berechnungen fußenden Bewertungen eine nicht zulässige Vermengung von quantitativem und qualitativem Herangehen. Ähnlich kritisch äußerten sich in dieser Hinsicht auch andere Forscher. In dieselbe Richtung ging z. B. auch die Kritik von Arkadij G. Gornfel’d (1867K 1941), einem Vertreter der sog. Charkover Linguistischen Schule, die ihre Ursprünge bei Sreznevskij hatte und dann vor allem von A. A. Potebnja, dem Lehrer Gornfel’ds, geprägt wurde. Gornfel’d (1922, 164) kommentierte die wesentliche Schlussfolgerung Šengelis über die geringere Meisterschaft Brjusovs wie folgt: „Es ist vollkommen klar, dass hier die Objektivität der Statistik durch reinste Subjektivität überdeckt ist“. Gornfel’d (1922) ging in seiner Kritik noch weiter; für ihn zeigten die von Šengeli aufgrund seiner statistischen Untersuchungen erhaltenen Schlussfolgerungen vor allem, „dass die Statistik dort schädlich ist, wo sie übel angewendet wird“ (Gornfel’d 1922, 164), was ihn zu der zusammenfassenden (nicht mehr nur auf Šengeli) bezogenen Einschätzung führte: „Unterdessen ist eine gewisse Kenntnis der Literatur ausreichend, um zu sehen, dass bei unserer neuen Zusammenarbeit von Poetik und Statistik die Statistik sehr gelitten hat, und von daher hat bislang auch die Poetik ein wenig verloren“ (Gornfel’d 1922, 164).

34 Diese verallgemeinernde Kritik an den Studien von Šеngeli gilt es allerdings in mehrerer Hinsicht zu relativieren: Zum einen hatte Šеngeli seiner Studie die Bemerkung vorausgeschickt, dass diese 1916 abgeschlossen worden sei, und dass sich seither die theoretischen Grundlagen erheblich geändert, nämlich kompliziert hätten; zum zweiten fand die Studie von 1918 nicht, wie zunächst geplant, Eingang in Šеngelis 1921 erschienene umfangreichere Monographie Traktat o russkom stiche, die zudem Gornfel’d bei seiner Pauschalverurteilung nicht vorlag. Und abgesehen davon finden sich im Traktat praktisch keinerlei wertende Schlussfolgerungen mehr K was freilich nicht bedeutet, dass das Buch nicht aus anderen Gründen Kritik hervorrufen sollte. Zu Beginn des Traktats erklärt Šengeli (1923, 15) ohne Umschweife, dass mit den Arbeiten von Belyj eine neue Periode der russischen Verswissenschaft begonnen habe. Auch wenn dessen Arbeiten in keiner geschlossenen Theorie gemündet seien, hätten sie die Grundlage für eine vollkommen neue Methode, die statistische Methode, gelegt. Die von Belyj initiierte Suche nach „immanenten Gesetzen“ des Verses sei allerdings nur „durch die Anhäufung einer großen Anzahl statistischer Daten“ möglich. Šengeli (1923, 15) folgt Belyj keineswegs blind, der ohne Frage der Vater der Verswissenschaft [стиховедение] als einer Wissenschaft [наука] sei, selbst wenn bei ihm eine ganze Reihe von Schlussfolgerungen unbegründet bleibt, und auch wenn es bei ihm in der Datenerhebung und mathematischen Anwendung methodologische Fehler gebe. In seinem Traktat konzentrierte sich Šengeli großteils auf die schon von Čudovskij angesprochene Frage nach dem Anteil betonter und unbetonter Silben in der russischen Sprache. Šengeli weist eingangs auf das Ergebnis von dessen Studie hin, der zufolge der Anteil betonter Silben bei etwa 35 % liege. Dies decke sich in etwa mit Daten von Kagarov, die dieser in einer nicht publizierten, 1918 in Charkov als Vortrag gehaltenen Studie vorgestellt, dabei aber auf Unterschiede in künstlerischer, wissenschaftlicher und journalistischer Prosa aufmerksam gemacht habe. Kagarovs Studie wurde vier Jahre später, also 1922 und somit nach dem Erscheinen der ersten, jedoch vor dem Erscheinen der zweiten Auflage von Šengelis Traktat, veröffentlicht (vgl. Kagarov 1922).

I. Allgemeines / General

Šengeli selbst hat vor diesem Hintergrund umfangreiche Analysen durchgeführt; dabei kam er bei seiner Analyse von 135.983 Wörtern auf 50.000 betonte Silben, was einem Anteil von 36,77 % entspricht K mit anderen Worten: auf 1,72 unbetonte Silben kommt eine betonte. Den Umstand, dass Čudovskij im Vergleich dazu auf 1,86 unbetonte Silben gekommen war, erklärt Šengeli mit der unterschiedlichen Zählweise von Hilfswörtern (wie er sie bezeichnete): Während Čudovskij in dem Puškin’schen Vers Когда не в шутку занемог nur auf zwei Betonungen gekommen sei, rechnet Šengeli hier (korrekterweise) drei. Šengeli lässt es jedoch nicht bei diesen simplen Berechnungen bewenden. Vielmehr analysiert er des Weiteren im Detail K unter Berücksichtigung verschiedener Textsorten K wie sich die Betonungen auf Wörter mit verschiedener Silbenanzahl verteilen, und an welchen Positionen innerhalb dieser Wörter die Betonungen vorkommen. Damit gelangt Šengeli sozusagen en passant auch erstmals zu einer umfangreichen Häufigkeitsverteilung eines russischen Textkorpus, auf die er jedoch nicht näher eingeht. Im Hinblick auf die für ihn im Vordergrund stehende Frage stellt Šengeli in einer Analyse von zehn Ausschnitten aus Prosatexten verschiedener russischer Schriftsteller des 19. und 20. Jh.s fest, dass bei Wörtern mit ungerader Silbenzahl eine Tendenz besteht, dass die Betonung genau auf der Wortmitte liegt, bei Wörtern mit gerader Silbenzahl auf dem mittleren Silbenpaar (Šengeli 1923, 21). Diese Regularität interpretiert Šengeli als „наличие в языке естественных слогоударных констант“ [Existenz natürlicher silbenbetonender Konstanten in der Sprache] (Šengeli 1923, 22). Deren Einfluss auf die Formgebung sei jedoch nicht unbegrenzt; vielmehr gebe es auch „автономные законы ритма“ [autonome Gesetze des Rhythmus] (Šengeli 1923, 22), so dass die Verskonstruktion in der Praxis dem Einfluss sowohl sprachlicher als auch rein rhythmischer Normen unterliege. Den Nachweis dieser Hypothese erbringt Šengeli durch analog angelegte Untersuchungen zum Vorkommen der Betonungen in Texten verschiedener Versmaße. So stellt er in Stichproben à 3.000 Wörter aus in Hexametern geschriebenen Texten von vier verschiedenen Autoren fest, dass die Ergebnisse sich von denen der Prosatexte nur unwesentlich unterscheiden. Vollkommen andere Bilder ergeben sich je-

3. Zur Vorgeschichte quantitativer Ansätze in der russischen Sprach- und Literaturwissenschaft

doch aus den Analysen von Texten mit vieroder fünffüßigem Jambus: Während in den Texten mit vierfüßigem Jambus insbesondere einsilbige und trochäische Wörter abnehmen, fehlen in den Texten mit fünffüßigem Jambus fast vollständig drei- und viersilbige Wörter mit Betonung auf der ersten Silbe. Diese Beobachtung interpretiert Šengeli so, dass sich einerseits einige Metren im Hinblick auf den Wortgebrauch den natürlichen Konstanten annähern und andere (interessanterweise häufiger verwendete) Metren davon entfernen, dass andererseits die natürlichen Konstanten auf die Gebräuchlichkeit der jeweiligen Formen einwirkten. Dies sei insgesamt so zu verstehen, „dass sich im Vers ein rein sprachliches und ein rein rhythmisches Element in ständiger Wechselbeziehung befinden“ (Šengeli 1923, 28). Im Anschluss an weitere Detailanalysen zu einzelnen Versfüßen und weiterführende Überlegungen zur Fundierung der Strophe als einer wesentlichen Texteinheit überführt Šengeli (1923, 177 ff.) die dargestellten Überlegungen in die Berechnung eines von ihm so genannten Vorkommenskoeffizienten: Da das Vorkommen eines bestimmten rhythmischen Komplexes dem Einfluss zweier Faktoren unterliege (den sprachlichen und den rhythmischen Normen), lasse sich die Wahrscheinlichkeit dieses Vorkommens unter Rückgriff auf die Vorkommenshäufigkeit der dem Komplex zugrunde liegenden Komponenten bestimmen. Während sich allerdings üblicherweise die gemeinsame Vorkommenswahrscheinlichkeit zweier Elemente, von denen das eine die Wahrscheinlichkeit m / n, das andere die Wahrscheinlichkeit p / q hat, durch Multiplikation der einzelnen Wahrscheinlichkeiten ergibt, lässt sich der Vorkommenskoeffizient im gegebenen Fall nicht als mp / nq berechnen; vielmehr sei die Wahrscheinlichkeit des Vorkommens einer Verbindung von zwei oder mehr Elementen deswegen höher, weil ein bestimmtes metrisches Schema realisiert werden müsse, so dass eine Wahl vorliege. Deswegen sei die gemeinsame Vorkommenswahrscheinlichkeit zweier oder mehrerer Elemente durch die Berechnung des geometrischen Mittels der Koeffizienten der einzelnen Komponenten zu bestimmen. Habe man zum Beispiel ein Schema wie: gK K gK K gggK K und gKg K K K gggK K , und seien die Vorkommenshäufigkeiten der Komponenten, die in dieses Schema Eingang finden,

35

0,165, 0,165, 0,110 sowie 0,135, 0,155, 0,0100, so berechne sich die Wahrscheinlichkeit des Vorkommens der beiden ersten Paare als O0,165 $ 0,165 bzw. O0,135 $ 0,155; man erhält somit ein Verhältnis von 33 : 29, d. h. von 1,14 : 1. De facto habe sich, so Šengeli (1923, 178), in seinen empirischen Untersuchungen bei den vierfüßigen Jamben ein Verhältnis von 304 : 236, d. h. von 1,29 : 1 ergeben (was er als recht gute Annäherung an die Erwartung interpretiert). Überaus harsch äußerte sich Bobrov (1921) zu Šengelis Traktat, der seiner Meinung nach „mit Berechnungen operierte, denen er die laute Bezeichnung ‚statistisch‘ zueignete, ohne auch nur die geringste Vorstellung von der statistischen Methode zu haben“ (Bobrov 1921, 268). Weiterhin betonte Bobrov (1921), Šengeli sei „in der Statistik nicht über das geometrische Mittel hinausgekommen, das er mit unklaren Zielen und ebenso nebelhaften Resultaten anwende“ (Bobrov 1921, 268). Das einzig gute Haar, das Bobrov in seinem Verriss an der Arbeit von Šengeli ließ, war der Umstand, dass „möglicherweise ein gebildeter Mensch irgendetwas aus dessen Tabellen nicht ohne interessante Resultate verwenden könnte“ (Bobrov 1921, 268). Auch Tomaševskij forderte in seiner Rezension des Traktats nachdrücklich „ostorožnost’ i kriticizma“ [Vorsicht und kritische Haltung] (Tomaševskij 1923b, 52) bei der Anwendung statistischer Verfahren K genau das sah er bei Šengeli ganz offensichtlich nicht gewährleistet: „Šengeli wendet auf breiter Ebene die statistische Methode an. Diese Methode, die in philologischen Kreisen auf Widerstand stößt, hat das Ziel, Fakten und Beziehungen zu erhellen, aber sie liefert verständlicherweise niemals ‚Erklärungen‘. Wenn man sich ihr zuwenden will, so erfordert das eine vorsichtige und kritische Haltung, die nur solche Personen haben, die der mathematischen Kultur nahe sind. Bei dem Autor ist von dieser Vertrautheit mit der Mathematik nichts zu bemerken, und seine ‚Beweise‘ der ‚Koeffizienten von Vorkommensformen‘ sind ein bedauerliches Missverständnis.“ (Tomaševskij 1923b, 52). In der Tat sind solche Koeffizienten oder Indizes so lange unbrauchbar, wie sie nicht standardisiert sind K so lange man nicht Erwartungswert und Varianz solcher Indizes (wie sie auch heute noch in verschiedenen Bereichen verwendet werden) kennt, sind

36

I. Allgemeines / General

sie schlicht und einfach nicht zuverlässig interpretierbar. Vermutlich würde man heute die Vorkommenshäufigkeit benachbarter Ereignisse eher in Form von Übergangswahrscheinlichkeiten bestimmen, ein Verfahren, das ja gerade im damaligen Kontext von A. A. Markov entwickelt und an poetischem Material demonstriert worden war, und auf dessen Bedeutung schon Tomaševskij (1923a, 36) nachdrücklich hingewiesen hatte. Andrej A. Markov (1856K1922), seit 1886 Professor an der Universität Petersburg und seit 1896 Mitglied der Petersburger Akademie der Wissenschaften, hatte die diesbezüglichen Überlegungen im Wesentlichen in zwei seiner Arbeiten dargelegt (Markov 1913; 1916). In der ersten Studie legte Markov (1913) eine statistische Untersuchung an Puškins Versepos Evgenij Onegin vor. Über erste Ergebnisse dieser Untersuchung hatte er schon im Januar 1913 in einem Brief an den bedeutenden Mathematiker Aleksandr A. Čuprov (1874K1922) berichtet, mit dem er seit 1910 in intensivem Briefkontakt stand, und der ebenfalls in Petersburg lebte und arbeitete (vgl. Ondar 1981). Aus dem genannten Brief vom 15. 1. 1913 geht hervor, dass Markov seine Untersuchung im Kontext von Arbeiten zum Gesetz der großen Zahlen durchführte, das Bernoulli ja genau 200 Jahre zuvor in seiner Ars Coniectandi aufgestellt hatte. Während die Gültigkeit dieses Gesetzes in der bis dahin akzeptierten Form allerdings auf unabhängige Variablen beschränkt gewesen war, lag es im Interesse Markovs, eine Erweiterung auch auf abhängige Variablen vorzunehmen. Markov (1913) analysierte K unter Auslassung der Leerzeichen sowie der weichen und harten Zeichen (also ь und ъ) K die ersten 20.000 Buchstaben von Puškins Evgenij Onegin. Was ihn interessierte, war das Aufeinanderfolgen von Vokalen und Konsonanten (wobei er das й allerdings als Vokal zählte). Markov untergliederte den von ihm untersuchten Textausschnitt in 200 Blöcke à 100 Buchstaben und ordnete diese zeilenweise fortlaufend in einer Matrix von 10 ! 10 Buchstaben an. Die auf diese Art erhaltenen 200 Blöcke betrachtete er als unabhängige Variablen, wobei jede Variable als das Ergebnis von 100 ab-

1

2

3

4

5

6

7

8

9

10

м ы р н н ж т е м е

о х а е е а а в о р

й ч в в м т в ы г д

д е и ш о с и д е р

я с л у г е л у г у

д т к т о б и м о г

я н о к н я л а п и

с ы г у у з у т р м

а х д з в а ч н и н

м п а а а с ш е м а

3

7

2

5

5

3

5

4

3

5

hängigen Versuchen anzusehen sei. Im nächsten Schritt addierte Markov die Anzahl der Vokale, zunächst in den einzelnen senkrechten Spalten, dann in den Spaltenpaaren 1 C 6, 2 C 7, 3 C 8, 4 C 9, 5 C 10. Im obigen Beispiel (dem Textanfang des Evgenij Onegin) ergibt sich so 6 C 12 C 6 C 8 C 10 Z 42. Die Gesamtsumme aller Vokale beläuft sich auf 8638, so dass das arithmetische Mittel über alle 200 Blöcke 43,2 beträgt K die Wahrscheinlichkeit, dass ein Buchstabe ein Vokal ist, macht somit p Z 0,432 aus. Die Summe aller Konsonanten beträgt entsprechend 20000 K 8638 Z 11362, was einer relativen Häufigkeit von q Z p K 1 Z 0,568 entspricht. Die Wahrscheinlichkeiten für Sequenzen (Ketten) von Vokalen (V) bzw. Konsonanten (C) bezeichnete Markov des weiteren wie folgt. Da die Summe der quadratischen Abweichungen insgesamt 1022.78 beträgt, beläuft sich das von Markov als Dispersionskoeffizient bezeichnete Abweichungsmaß auf 1022,78 / 20000 Z 0,5114. Außerdem berechnete Markov mit den relativen Häufigkeiten der Vokal- und Konsonantenvorkommnisse einen von ihm als Dispersionsindex bezeichneten Wert von 0,051 / [0,432 % (1 K 0,432)] Z 0,208. Im Weiteren ging es Markov um die Art der Aufeinanderfolge von Konsonanten und Vokalen. Dazu stellte er folgende Überlegung an: Die Anzahl von Vokalen, die auf einen Vokal folgen beträgt 1104; dividiert man nun die Anzahl der Vokale, die auf einen Vokal folgen, durch die Summe aller Vokale, so erhält man p1 Z 1104 / 8638 Z

p

q Z 1Kp

p1

p0

p1,1

p1,0

p0,1

p0,0

V

C

V-V

C-V

V-V-V

V-C-V

C-V-V

C-C-V

3. Zur Vorgeschichte quantitativer Ansätze in der russischen Sprach- und Literaturwissenschaft

0.128. Entsprechend berechnet sich die Anzahl der Konsonanten, die auf einen Vokal folgen, als 8638 K 1104 Z 7534. Dividiert man diese Anzahl durch die um 1 reduzierte Anzahl aller Konsonanten, erhält man p0 Z 7534 / (20000 K 1K 11362) Z 0,663. Die Differenz der beiden erhaltenen Quotienten bezeichnet Markov als δ, so dass δ Z 0,128 K 0,663 Z K0,535. Berechnet man mit dem Wert den theoretischen Dispersionskoeffizienten, so ergibt sich 1Cδ

0,465 Z

1Kδ

1,535

Z 0,303

Markovs Schlussfolgerung aus dieser Berechnung ist, dass dieser Erwartungswert zwar nicht mit dem beobachteten von 0,208 übereinstimmt, diesem aber dennoch deutlich näher ist als dem Wert 1, der vollständige Unabhängigkeit der Stichproben bedeuten würde. Ausgehend davon, dass sich die Vermutung der Abhängigkeit noch besser nachweisen lässt, wenn man nicht von einfachen, sondern von komplexen Ketten ausgeht (d. h. nicht nur Sequenzen aus zwei, sondern aus drei und mehr Buchstaben in Betracht zieht), berechnete Markov die Anzahl von drei aufeinander folgenden Vokalen bzw. Konsonanten. Im ersten Fall beläuft sich die Summe auf 115, im zweiten auf 505. Damit ergeben sich die Wahrscheinlichkeiten für p1,1 Z 115 / 1104 Z 0,104 bzw. für q0,0 Z 505 / 3827 Z 0,132. p

qZ 1Kp

p1

p0

p1,1

p0,0

0,432

0,568

0,128

0,663

0,104

0,132

Mit diesen Werten lassen sich in Analogie zur Berechnung von δ aufgrund der entsprechenden Differenzen ε und η berechnen, als deren Werte man ε Z K0,024 / 0,872 Z K0,027 und η Z K0,025 / 0,663 Z K0,309 erhält. Setzt man diese Werte zur Berechnung des theoretischen Dispersionskoeffizienten in die Formel

ein, so erhält man einen Wert von 0,195, der in der Tat dem empirisch beobachteten von 0,208 recht nahe kommt. Markov (1913) führt in der Folge noch weitere Berechnungen durch, doch kann man allein aufgrund dieser Tatsache ihm zufolge kaum in Zweifel ziehen, „dass die beobachtete Übereinstimmung der Zahlen nicht zufällig ist“ (Markov 1913, 160). Damit war Markov einerseits der Nachweis gelungen, dass das Gesetz der großen Zahlen auch für abhängige Variablen gültig ist; abgesehen davon hatte er allerdings einen nachhaltigen Riesenschritt im Hinblick auf die Anwendung mathematischer Verfahren auf sprachliches Material geleistet. Der zweite Aufsatz von Markov (1916) war im Wesentlichen eine Reaktion auf eine Untersuchung von Nikolaj A. Morozov (1854K1946), ein ehemaliger, dem Terror nahe stehender Volkstümler [narodnik], der nach mehrjähriger Haft zu verschiedensten Themen arbeitete (von Chemie, Physik, Mathematik über Astronomie und Astrologie bis hin zu Geschichte und Theologie), und der 1932 zum Ehrenmitglied der Akademie der Wissenschaften der UdSSR wurde. In Morozovs Aufsatz aus dem Jahre 1915 lag sein Hauptinteresse zwar auf der Bestimmung individual-stilistischer Merkmale, dies aber K seinen Aussagen zufolge schon seit Mitte der 80er Jahre des 19. Jh.s K vor dem Hintergrund „allgemeiner stilometrischer Gesetze“ (Morozov 1915, 97). Wenn, so seine Überlegung, in der Natur und im gewöhnlichen Leben die vielfältigsten, scheinbar zufälligen, Erscheinungen zu einem ziemlichen Maße „gesetzmäßigen Charakter“ haben K warum soll das nicht auf den Bereich der Sprache zutreffen? Morozov (1915, 97) war fest davon überzeugt, dass „in unserer menschlichen Sprache all deren Elemente eine bestimmte Proportion haben“, und dass „statistische Gesetzmäßigkeiten nicht nur in sich häufig wiederholenden Erscheinungen der Natur und des öffentlichen Lebens, sondern auch in den Erscheinungen unserer Umgangs- und Schriftsprache existieren“ (Morozov 1915, 110). In dieser Überzeugung führte Morozov als eine erste

{q (1 K 3ε) (1 K η) C p (1 K 3η) (1 K ε) K 2 (1 K ε) (1 K η)} (1 K δ) C 2 (1 K εη) 1Cδ Z

{

(1 K δ) (1 K ε) (1 K η) 1Cη

1Cε

1 K δ 2 (1 K ε)

C

}

2 (1 K η)

(q K p) (η K ε) C

37

(1 K ε) (1 K η)

38

I. Allgemeines / General

Veranschaulichung eine Häufigkeitsliste russischer Buchstaben an, allerdings ohne Angabe, woher die entsprechenden Zahlen stammen bzw. worauf sie basieren. Dennoch ist dies vor Proskurnin (1933) die früheste Graphemstatistik des Russischen, wenn man von der Untersuchung von Ol’chin (1907) absieht, die aufgrund ihrer Zielsetzung nicht das gesamte Graphemsystem in Betracht zieht (vgl. Grzybek/Kelih 2003; eine theoretische Modellierung russischer Graphemhäufigkeiten allgemein findet sich bei Grzybek/Kelih/Altmann 2004). In expliziter Analogie zur Technologie der Spektralanalyse schwebten Morozov als Ergebnis seiner linguistischen Analysen von Texten individueller Autoren sog. linguistische Spektren vor; darunter verstand er Graphiken, welche die autorenspezifische Stilistik aufgrund unterschiedlicher Vorkommenshäufigkeiten von linguistischen Einheiten wie ausgewählten Präpositionen, Konjunktionen u. a.m. veranschaulichen sollten. Als ein Beispiel stellt Abb. 3.2 einen Vergleich der Vorkommenshäufigkeit der drei Präpositionen в, на und с in den ersten 1000 Wörtern aus verschiedenen Texten von Gogol’ und Turgenev dar.

Markov (1916) leitete seine Kritik an der Untersuchung von Morozov mit der Bemerkung ein, dass ein entsprechendes Vorgehen im Prinzip von großer Bedeutung sei K allerdings „nur unter der Bedingung, dass die Konstanz der Schlussfolgerungen, mit anderen Worten: ihre Stabilität, nicht auf Glauben basiert, sondern sich in der Untersuchung selbst herausstellt, wobei auch das Maß der Schwankungen geklärt werden muss“ (Markov 1916, 239). Worauf Markov mit diesen Bemerkungen abzielt, ist zweierlei: auf der einen Seite fordert er die Berücksichtigung nicht nur absoluter oder relativer Häufigkeiten, sondern auch die Angabe dazugehöriger Streuungsmaße, auf der anderen bemängelt er den zu geringen Stichprobenumfang. Um bei dem obigen Beispiel von в und на zu bleiben: In den ersten 1000 Wörtern von Puškins Kapitanskaja dočka, Baryšnjakrest’janka und Dubrovskij ist das Verhältnis der beiden Präpositionen zueinander nach Morozov 32 : 11, 40 : 12, und 46 : 13. Markovs ergänzende Analyse der ersten 1000 Wörter des 2. Kapitels von Kapitanskaja dočka ergibt allerdings ein ganz und

45 40 35 30

30

25

25

20

20

15

15

10

10

5

5

0

0

Abb. 3.2: Frequenz russischer Präpositionen nach Morozov (1915)

3. Zur Vorgeschichte quantitativer Ansätze in der russischen Sprach- und Literaturwissenschaft

gar anderes Verhältnis von 15 : 21, welches gemäß den Analysen Morozovs eher dem Stil Gogol’s entsprechen müsste, denn Morozov (1915, 111) ist das Verhältnis der beiden Präpositionen in Majskaja noč’, Strašnaja mest’ und Taras Bulba 15 : 24, 16 : 26, 23 : 20. Auch in diesem Fall führen Markovs Zusatzberechnungen allerdings dazu, Morozovs Schlussfolgerungen in Frage zu stellen, da seine Analyse der ersten 1000 Wörter aus dem 9. Kapitel der Toten Seelen mit einem Verhältnis von 37 : 12 de facto dem vermeintlichen Stil Puškins, nicht aber Gogol’s entspricht. Markovs (1916, 241) Fazit lautete deshalb: „Nur eine bedeutende Erweiterung des Untersuchungsfeldes (nicht 5 Tausend, sondern hundert Tausende Wörter) kann den Schlussfolgerungen einen gewissen Grad an Grundlage verleihen.“ Das Postulat, linguo-statistische Untersuchungen jedweder Art insgesamt auf eine möglichst breite Basis zu stellen, war auch das Fazit des oben bereits erwähnten Nikolaj A. Setnickij (1888K1937). Setnickij war ein stark von den Religionsphilosophen N. F. Fëdorov und V. S. Solov’ëv beeinflusster Philosoph und Ökonom, der nach Abschluss seines Studiums an der juridischen Fakultät in Petersburg 1912 zunächst als Ökonom und Statistiker arbeitete, 1925 nach China emigrierte, und zwei Jahre nach seiner Rückkehr in die UdSSR 1935 verhaftet und 1937 erschossen wurde. In seiner K zuvor auch in der Zeitschrift Statističkij Vestnik abgedruckten K Studie Statistik, Literatur und Poesie geht Setnickij (1923, 18) davon aus, dass die Statistik „einer der Wege ist, das Wesen des Wortes zu erhellen und in außergewöhnliche Höhen zu erheben“. Vor dem Hintergrund der Annahme, seine Zeit sei durch eine „außergewöhnliche Entwicklung und Erweiterung der Anwendungsbreite der statistischen Methode“ (Setnickij 1923, 3) charakterisiert, wendet sich Setnickij gegen das Postulat, dass die Statistik primär „den Interessen des gegenwärtigen Moments entsprechen“ und „auf die Bedürfnisse des gegenwärtigen sozialen Aufbaus“ reagieren müsse K ein solches Postulat hatte nämlich kurz zuvor der Führer der staatlichen Statistik, P. I. Popov, auf der III. Statistischen Konferenz in Moskau (Januar 1921) vorgetragen. Gegen eine solche von ihm als pragmatizistisch bezeichnete Sichtweise wendet Setnickij (1923) ein, „dass die Statistik bzw. die statistische Methode an und für sich kein Werkzeug ist, das

39

ausschließlich dafür vorgesehen sei, praktische Ziele zu erreichen, die durch den heutigen Tag gesteckt würden“. Und weiter: „Wie in jeder Wissenschaft und im wissenschaftlichen Denken überhaupt, droht auch der Statistik durch das ausschließliche Stellen und Erfüllen von tagesaktuellen Aufgaben fast unausweichlich Blutleere und Schwächung des theoretischen Gedankenflugs, und in der weiteren Folge einer entsprechenden Wertminderung [.].“ (Setnickij 1923, 4). Die einzig sinnvolle Art und Weise, dem entgegenzuwirken, sei „die Konzentration der Aufmerksamkeit auf solche Bereiche und die Arbeit in solchen Bereichen, die nicht durch die offiziell berufene Charakteristik des Sozialen, Unaufschiebbaren und Unausweichlichen gekennzeichnet sind.“ In diesem Zusammenhang zählt Setnickij unter anderem explizit die Literatur im weiten Sinne des Wortes zu diesen Bereichen, „wo die Anwendung statistischer Methoden in der Gegenwart gereift ist und überaus fruchtbare Ergebnisse zeitigen kann“ (Setnickij 1923, 5). Für die hauptsächlichen Objekte der statistischen Forschung im Bereich der Literatur hält Setnickij (1923, 6) den Autor und das Werk, die beide ihre statistischen Charakteristika haben; statistische Methoden versteht Setnickij dabei in breitestem Sinne des Wortes. So meint er zum einen damit durchaus die Anlage statistischer Kartotheken zur Erfassung von autor- und werkbezogenen Daten. Zum anderen eröffnet sich für Setnickij (1923, 10) „eine Reihe neuer Arbeiten, wo ein speziell statistischer Zugang zu dem entsprechenden Material und dessen Erforschung mit Hilfe statistischer Methoden möglich ist“ K damit meint er die Erforschung sowohl von Poesie als auch von künstlerischer Prosa, deren Formen, Verfahren des Gebrauchs, grammatische und syntaktische Besonderheiten. Seiner Meinung nach ist „nur die in exakten Zahlen ausgedrückte Erforschung der Sprache und ihrer Tendenzen geeignet, eine Grundlage für seriöse und begründete Urteile in diesem Gebiet zu bereiten“ (Setnickij 1923, 11); allerdings muss er bedauernd einräumen, „dass die Theorie der künstlerischen Prosa noch relativ wenig ihre grundlegenden Elemente und Begriffe ausgearbeitet und geklärt habe“ (Setnickij 1923, 11). Wenn Letzteres allerdings der Fall wäre, „dann wäre die fruchtbare Grundlage für die Anwendung der statistischen Methode zur Erforschung

40 dieser Elemente und der mit ihnen verbundenen Ausdrucksverfahren der künstlerischen Prosa unzweifelhaft offenbar“ (Setnickij 1923, 11). Etwas besser sei die Lage im Bereich der Poesie, d. h. im Bereich der Theorie und Technik der Versfügung. Da es hier eine Reihe von Pionieren gebe, welche die statistische Methode auf Fragen der russischen Versfügung angewendet haben, sei auch bereits eine bedeutende Anzahl von herauskristallisierten Elementen bekannt, die als Grundlage für weitere Forschungen dienen können. Als Beispiele werden Metrum, Reim, Strophik genannt. In diesem Kontext führt Setnickij (1922, 21K28) auch, ohne Anspruch auf Vollständigkeit, eine Reihe von Hinweisen auf entsprechende Vorarbeiten an. So erwähnt er u. a. Ja. Denisovs (1888) Grundlagen der Metrik bei den Alten Griechen und Römern. Die von Denisov (1888, 92; 107) angeführten Untersuchungen könnten zwar nicht im strengen Sinne des Wortes als eine Statistik der Versfügung bezeichnet werden; immerhin aber gehe es um Berechnungen der Vorkommenshäufigkeit verschiedener Versformen, die, auch wenn sie keinen eigenständigen Wert hätten, als Anstoß für weiterführende Untersuchungen dienen könnten. Ebenfalls nennt Setnickij in diesem Zusammenhang Fedor E. Korš (1843K1915), den späteren Vorsitzenden der Moskauer Dialektologischen Kommission; dieser habe in seinen Untersuchungen zur Authentizität von Puškins Rusalka zwar keine eigenen Berechnungen angestellt, dennoch aber sei für die gesamte Arbeit „charakteristisch, dass sie unwillkürlich auf die Notwendigkeit und Vernünftigkeit aufmerksam mache, die gesamte Beweisführung nach dem Gesetz der großen Zahlen umzugestalten“ (Setnickij 1922, 22). Während also Mathematiker bzw. Statistiker wie Markov oder Setnickij mit Recht auf das Problem der Stichprobengröße hinwiesen und sich für die Orientierung am Gesetz der großen Zahlen aussprachen, sah ein mathematisch gebildeter Literaturwissenschaftler wie Tomaševskij dies differenzierter. Allerdings nahm Tomaševskij unter allen, die in den 10er und 20er Jahren auf irgendeine Art und Weise mathematisch-statistische Verfahren zur Analyse künstlerischer Texte zur Anwendung brachten, eine Sonderstellung ein. Und im Gegensatz zu den meisten anderen war es insbesondere Tomaševskij, der methodologisch verallgemeinernde Über-

I. Allgemeines / General

legungen hinsichtlich der Anwendung solcher Verfahren anstellte. So klassifizierte er in K im Grunde genommen heute noch K zutreffender Art und Weise die in der Analyse poetischer Texte angewandten Verfahren in zwei Grundprinzipien: „исследование на примерах и статистический метод“ [die Forschung anhand von Beispielen und die statistische Methode] (Tomaševskij 1923a, 34): Während ersterem Vorgehen zufolge eine bestimmte Erscheinung isoliert und dann an weiteren Beispielen verfolgt werde, werde bei der zweiten die Berechnung einer ganzen Reihe von Erscheinungen an mehr oder weniger umfangreichem, kompakten Material durchgeführt. Tomaševskij zufolge kann die isolierend-individualisierende Methode lediglich einen Weg für die vorbereitende Klassifikation von Erscheinungen darstellen (Tomaševskij 1923a, 34) K genau das war ja eines der Probleme, das auch Setnickij (1922, 11) angesprochen hatte, nämlich die operationale Bestimmung der Einheiten, die einer quantifizierenden Analyse unterworfen werden sollen. Die ausschließlich isolierend-individualisierende Methode aber sei K so Tomaševskij (1923a, 34) weiter K bei dem Versuch, Beziehungen zwischen den beschriebenen Erscheinungen herzustellen, zum Scheitern verurteilt, weil das nur an umfangreichem Material gelingen könne. Insofern begrüßte Tomašеvskij K bei aller Sympathie für mathematische Zugänge zu Sprache und Literatur K auch keineswegs jeglichen Versuch in dieser Richtung. So verurteilte er z. B. 1922 in einer Rezension von B. Ėjchenbaums Melodika russkogo liričeskogo sticha dessen „willkürliches Operieren mit mathematischen Relationen“ (vgl. Tomaševskij 1990, 143). Und in einer anderen Besprechung setzte Tomaševskij (1922) sich kritisch mit einem Versuch von A. A. Bobrik auseinander, in der damaligen Literaturwissenschaft verwendete Begriffe wie Funktion, Relation, Vergleich u. a. mit den entsprechenden mathematischen Termini gleichzusetzen und zu symbolisieren. Bobriks Abhandlung mit dem Titel Nemnogo matematiki v teorii slovesnosti (Bobrik 1921) kanzelte Tomaševskij schlichtweg als eine pathologische Erscheinung ab. Im Gegensatz zu den oben dargestellten Versuchen, im Bereich der Poesie insbesondere Fragen von Rhythmus und Metrum mathematisch zu bearbeiten, geht auf Bobrik (1921) ein mitunter abstrus anmutender

3. Zur Vorgeschichte quantitativer Ansätze in der russischen Sprach- und Literaturwissenschaft

Versuch zurück, zeitgenössische literaturwissenschaftliche Überlegungen zur Erzählforschung „in die Sprache der Mathematik zu übersetzen“ (Bobrik 1921, 4). Der in Gel’singfors publizierte Text steht mit Fragen der schon im 19. Jh. diskutierten, sog. historischen Poetik im Zusammenhang, wie sie von Potebnja und vor allem auch Aleksandr N. Veselovskij (1838K1906) entwickelt worden war. Insbesondere geht es dabei um die erzähltheoretischen Konzepte Motiv und Sujet, die später dann vor allem durch Vladimir Ja. Propps Untersuchungen an russischen Zaubermärchen präzisiert wurden, die als Vorläufer der strukturalistischen Narratologie angesehen werden können. Im Kontext der genannten Arbeiten ist unter einem Motiv die einfachste narrative Einheit zu verstehen, deren Gesamtheit innerhalb eines Textes dessen Sujet verkörpert. Bobriks (1921) Abhandlung stellt nun einen Versuch dar, unter direkter Bezugnahme auf eine diesbezügliche Darstellung von Al’fred L. Bem (1918/21) diese Überlegungen aus dem Bereich der Geschichte und Theorie der Literatur in die Sprache mathematischer und logischer Symbolik umzuformulieren. Al’fred L. Bem (1881K1945), dessen Text übrigens niemand anderem als Bobrik gewidmet war, war ein Schüler von Sreznevskij und Vengerov. Er emigrierte nach der Oktoberrevolution und lebte, nach mehrjährigem Aufenthalt in Warschau (1920K22), in Prag, wo sich seine Spuren verlieren, nachdem er 1945 unmittelbar nach Einmarsch der Roten Armee vom NKWD verhaftet wurde.

Die Annahme, dass sich das Sujet (S) als Summe der in einem Text vorkommenden Motive (mk) verstehen lässt, erhält somit nach Bobrik (1921, 7) die folgende Form: kZn

SZ

∑ mk.

(1)

kZ1

Weiterhin greift Bobrik auch die Frage des von Bem diskutierten Verhältnisses zwischen dem Inhalt eines Werks und dessen Sujet (S) auf und folgt der Argumentation von Bem, der zufolge man bei einem einzelnen Werk (P1), das nicht mit anderen Werken (P2, P3, ... Pn) in Relation steht, nur von dessen Inhalt (I) sprechen könne, während die Begriffe Sujet (S) und Motiv (M) nur als Ergebnis eines Vergleichs oder einer Verallgemeinerung mit anderen Werken anzusehen seien. Bobrik, der solche Begriffe wie Vergleich, Relation, Verallgemeinerung als

41

mathematische Begriffe identifiziert bzw. mit solchen gleichsetzt, formuliert entsprechend um: Demnach verhalte sich der Inhalt (I) zum Sujet (S) wie eine einzelne Vorstellung zu einer allgemeinen Vorstellung, was sich mathematisch als P1 / P Z 1 / n

(2)

ausdrücken lasse. Die ein Sujet konstituierenden Motive lassen sich nach Bobrik weiter differenzieren; dabei geht er von der Existenz eines Hauptmotivs (iM) und mehrerer diesem Hauptmotiv zu- bzw. untergeordneter Nebenmotive verschiedener Ordnung (m1, m2, . mk) aus. Nimmt man etwa in Erzählungen wie Puškins oder Lermontovs Kavkazskij Plennik als Hauptmotiv (iM) „Liebe eines Mädchens zu einem Gefangenen“, so ergeben sich als mögliche Motive zweiter Ordnung (im1) zwei Varianten: (a) auch der Gefangene liebt das Mädchen, (b) er liebt sie nicht. Als Motive dritter Ordnung (im2) ergeben sich sodann, ausgehend von der Oberkategorie „Befreiung des Gefangenen“, die Optionen (a) es findet ein Befreiungsversuch statt, (b) es findet kein Befreiungsversuch statt. Auf der Basis einer solchen binären Erzähllogik ergibt sich somit bei einem gegebenen Hauptmotiv (iM) als Summe möglicher Motive kZn

Nm Z 1 C

∑ 2k,

(3)

kZ1

was in entwickelter Form der Summe der Glieder einer geometrischen Reihe entspricht. Im Ergebnis erhält man unter diesen Voraussetzungen somit ein „Schema von Bifurkationen des Grundmotivs“ (Bobrik 1921, 18), welches in vielerlei Hinsicht spätere Konzepte der strukturalistischen Erzählforschung vorwegnimmt (vgl. Abb. 3.3). Auf dieser Grundlage hat Bobrik (1921, 24 ff.) auch einen (konstruierten) Vergleich von Texten zweier Autoren vorgenommen. Gegeben sei das Schema A von Text A mit dem Schema iS1 Z i (M C m22 C m33 C m64) sowie Schema B von Text B mit dem Schema iS2 Z i (M C m74 C m44 C m63 ). Dann lässt sich nach Bobrik zum Vergleich zweier Texte ein Koeffizient als Quotient aus der Anzahl aller in beiden Texten gemeinsam vorkommenden und der Anzahl aller vorkommenden Motive überhaupt berechnen; im obigen Beispiel wäre das konkret

42

I. Allgemeines / General

Abb. 3.3: Narrative Bifurkationen nach Bobrik (1921, 18)

Schema A

Schema B

iM

iM

m12

m13

m14

m23

m24

m45

m22

m33

m34

m44

m43

m54

m64

m74

m84

m53

m94 m104

m12

m24

m34

m74

m23

m13

m14

m44

m63

m32

m104

m54

m53

m94

m64

m22

m34

m124 m134

m33

m14

m144 m164

Abb. 3.4: Vergleichende Motivschemata nach Bobrik (1921, 24)

KZ

iM C iM 2iM C m22 C m33 C m64 C m74 C m44 C m63 2

Z 8

Z 0,25.

Entsprechend hat Bobrik (1921, 25) auch einen Index zur Berechnung des Zusammenhangs zwischen den Schemata zweier Texte vorgeschlagen, der sich als Quotient aus der Anzahl der in beiden Schemata zusammenfallenden Motive und der Anzahl der insgesamt vorkommenden Motive berechnet, im gegebenen Fall also als LZ

18 C 18

36 Z

18 C 25

43

Z 0,8372.

Der Versuch von Bobrik mutet mitunter recht kurios an K in der Tat muss ein solcher Versuch zum Scheitern verurteilt sein, solange die zur Disposition stehenden Motive bzw. die zur Beschreibung solcher Motive geeigneten semantischen Kategorien nicht in ein logisches kohärentes und konsistentes System gebracht werden können (was auch der strukturalistischen Erzählforschung in der zweiten Hälfte des 20. Jhd.s nicht überzeugend gelang). Ungeachtet dessen ist Bobriks Intention und Art des Herangehens, eine literaturwissenschaftliche Meta-Sprache an der Exaktheit mathemati-

scher Konzepte auszurichten und zu messen, im Kontext der damaligen Zeit von großer Bedeutung, so dass die Abqualifikation von Tomaševskij (1922, 84), der Bobriks Versuch schlichtweg als pathologische Erscheinung bezeichnete, in gewissem Sinne zu relativieren ist. Doch Tomaševskij sah sich auch selbst in seinen eigenen Versuchen, mathematische Verfahren im Bereich der Literatur anzuwenden, kritischen Reaktionen ausgesetzt. Einer dieser Kritiker war z. B. Grigorij O. Vinokur (1896K1947), ein Schüler von Ušakov und Gründungsmitglied des MLK. Er bemerkte in einer Rezension zu Tomaševskijs (1923 in Berlin publizierter, 1919 zuvor im Moskauer Linguistischen Kreis vorgestellter) Untersuchung zum 5-füßigen Jambus, es handle sich dabei um „keine philologische Untersuchung“, sondern um einen Versuch, „Fragen der poetischen Sprache mit Mitteln der Mathematik und Statistik zu lösen“ (Vinokur 1924, 263; zit. nach Tomaševskij 1929, 275). Während sich also auf der einen Seite mathematisch ausgebildete (und kompetente) Wissenschaftler um die Qualität poetologischer Ergebnisse sorgten, die aufgrund mathematischer Inkompetenz in diesem Bereich zustande kamen, gab es andererseits die (auch heutzutage noch nicht minder ver-

3. Zur Vorgeschichte quantitativer Ansätze in der russischen Sprach- und Literaturwissenschaft

breitete) Befürchtung, dass die Poetik als philologische Disziplin aufgrund der Anwendung mathematischer Methoden um ihren genuinen Gegenstandsbereich gebracht würde. Tomaševskij (1929) entgegnete Einwänden wie dem von Vinokur in einer Art, die nicht nur an Klarheit nichts zu wünschen übrig lässt, sondern auch seine methodologische Weitsicht zum Ausdruck bringt: „Man darf die Philologie nicht der Statistik gegenüberstellen, da erstere sich durch das Forschungsobjekt definiert (die Sprache), und zweitere durch die Methode, Fakten zu bestimmen [...]. Eine Zahl, eine Formel, eine Kurve K all das sind im Wesentlichen eben solche Symbole wie ein Wort K verständlich nur für diejenigen, die das entsprechende System von Symbolen verstehen. Die Angst der Philologen vor der Zahl ist größtenteils durch die falsche Vorstellung von ihrer Rolle in der wissenschaftlichen Arbeit zu erklären. Denn die Zahl ,entscheidet‘ nichts, d. h. sie interpretiert nicht, sondern dient nur als Verfahren, ein Faktum festzustellen und zu beschreiben. Man darf nur nicht glauben, dass die Zahlen in dieser Rolle nur im ersten Zehntel gesetzmäßig sind. Das, was mit Zahlen und Graphiken an Missbrauch getrieben worden ist, bringt nicht die Methode in Verruf: schuldig ist derjenige, der den Missbrauch treibt, nicht das, was er missbraucht.“ (Tomaševskij 1929, 276). Die hier angesprochene Frage des unreflektierten Einsatzes statistischer Verfahren thematisierte Tomaševskij (1923a) auch an anderer Stelle in verallgemeinerter Form: „Bei uns ist die Ansicht weit verbreitet, dass man zählen kann, was man will K in der Annahme, die Zahlen selbst würden schon zeigen, ob das Material zur Berechnung richtig ausgewählt ist. Und wenn die Berechnung irgendeine numerische Harmonie ergibt, irgendeine numerische Gesetzmäßigkeit, dann wird daraus entschieden der Schluss gezogen, dass die für die Berechnung ausgewählte Grundlage gerechtfertigt war. Aber die Zahl hat ihre eigene Gesetzmäßigkeit.“ (Tomaševskij 1923a, 35). In seiner 1917 publizierten, seinen eigenen Angaben nach in den Jahren 1909K15 entstandenen Untersuchung, beschäftigte Tomaševskij (1917) sich mit der Rhythmik des vierfüßigen Jambus in Puškins Evgenij Onegin [EO]. Bezeichnenderweise ging es ihm dabei nicht darum, die eine oder andere Sichtweise auf den Jambus zu verteidigen,

43

sondern vielmehr objektives Material zur Beurteilung des vierfüßigen Jambus zur Verfügung zu stellen und eine exakte(re) Klassifikation rhythmischer Erscheinungen zu ermöglichen. Tomaševskij unterschied K ähnlich wie das später Šengeli im Sinne einer sprachlichen und rhythmischen Norm tun sollte K zwei Faktoren der rhythmischen Gestaltung: einen statischen und einen organisierenden Faktor. Vor dem Hintergrund dieser Unterscheidung stellte Tomaševskij umfangreiche Berechnungen der lexikalischen und metrischen bzw. rhythmischen Struktur des EO an: In den von ihm ausgezählten 5320 Versen, die 17300 Wörter aufweisen, kommen seinen Angaben zufolge 2022 trochäische Wörter (Kg) vor, was einer relativen Häufigkeit von 0,117 entspricht; der Anteil jambischer Wörter (gK) betrage 0,268, amphybrachischer Wörter (gKg) betrage 0,265, und einsilbige (betonte) Wörter kommen auf einen Anteil von 0,1085. Auf dieser Basis lasse sich die erwartete Häufigkeit eines Verses wie В волненьи бурных дум своих (gKg, Kg, K, gK) als Produkt dieser Häufigkeiten berechnen: 0,265 ! 0,117 ! 0,1085 ! 0,268 Z 0,0009. Summiert man diese Erwartungswerte für alle möglichen Wortverbindungen im vierfüßigen Jambus auf, kommt man nach Tomaševskij auf eine Summe von 0,103. Bei 5230 Verszeilen kommt man somit für einen Vers der oben angeführten Art auf 0,00090 ! 5320 / 0,103 z 46 erwartete Vorkommnisse. De facto komme der obige Verstyp im EO jedoch 90 mal, also fast doppelt so häufig vor. Dass dies nicht zufällig, sondern durch (bewusste oder unbewusste) Gestaltung bedingt ist, versuchte Tomaševskij durch quantitative Vergleiche mit anderen Texten zu belegen. Bei einem Vergleich der Vorkommenshäufigkeit von Wörtern verschiedener metrischer Typen in den Oden Lomonosovs (1746K54) und dem Demon von Lermontov kommt Tomaševskij (1917) zu dem Schluss, „dass der rhythmische Reichtum der Sprache Puškins sich wenig von der Sprache Lomonosоvs und Lermontovs unterscheidet“. (Tomaševskij 1917, 104). Dabei versteht Tomaševskij (1917) unter rhythmischem Reichtum die „relative Vorkommenshäufigkeit von Wörtern mit einheitlicher rhythmischer Struktur“, und ein Wort definiert er als eine „jede selbständige Gruppe von Silben, die unter eine Betonung fallen (d. h. Proklitika und Enklitika werden dem entsprechenden

44

I. Allgemeines / General

Tab. 3.1: Relative Häufigkeiten verschiedener Versfüße

gK gKg Kg K ggK ggKg Kgg gKgg

Puškin EO

Lomonosov Oden

Lermontov Demon

Puškin Pikovaja dama

26,8 26,5 11,7 10,9 6,3 4,5 3,6 3,3

23,3 29,4 11,3 11,5 4,9 7,3 2,8 5,6

27,3 28,6 9,1 11,1 6,5 4,0 3,9 3,6

17,7 14,6 15,4 8,6 9,4 8,3 7,2 7,5

betonungstragenden Wort zugerechnet)“ (Tomaševskij 1917, 102). Ganz anders stellen sich die Verhältnisse nach Tomaševskij (1917, 104) jedoch in einem prosaischen Text dar, was er an einem Vergleich mit dem Text von Puškins Pikovaja dama belegt, der sich vor allem durch eine höhere Anzahl einsilbiger Wörter und von Wörtern, die mit einer ungeraden Anzahl unbetonter Silben beginne, unterscheide (vgl. Tab. 3.1). Der hier angesprochenen Frage nach rhythmischen Strukturen in prosaischer Sprache ist Tomaševskij an anderer Stelle gerade unter Bezugnahme auf Puškins Pikovaja dama detaillierter nachgegangen, nämlich in seiner Untersuchung Ritm prozy (Tomaševskij 1920, 254 ff.), die auf einen Anfang 1920 im MLK und Mitte 1921 am Russischen Institut für Kunstgeschichte (RIII) gehaltenen Vortrag zurückgeht. Tomaševskij, der davon überzeugt ist, dass der Prosarhythmus prinzipiell mit der statistischen Methode K sei es mit Hilfe von Zahlentabellen oder auf andere Art und Weise K untersucht werden muss (Tomaševskij 1920, 275), geht davon aus, dass die erste zu lösende Frage darin besteht, eine geeignete Untersuchungseinheit zu bestimmen, die er als „zvukovoj period“ bezeichnet (Tomaševskij 1920, 262). Als erstes untersucht Tomaševskij die Ebene des Satzes als eine solche möglicherweise geeignete Einheit, weil für ihn die Berechnung einer solchen Lautperiode, die nach der Wortzahl bestimmt würde, keine Basis sein kann: „Die Berechnung nach Quantität der Worte trägt in die Sphäre der lautlichen Erscheinungen Vorstellungen aus der semantischen Reihe hinein, d. h. es überlagern sich zwei Reihen der Wahrnehmung“ (Tomaševskij 1920, 272). Möglich hingegen sei es, dass ein Satz einer solchen Lautperiode entspreche, da es sich bei einem Satz um einen „syntak-

tisch abgeschlossenen Redeausschnitt“ (Tomaševskij 1920, 262) handle. Als konkretes Untersuchungsmaterial dienen ihm die beiden ersten Kapitel aus Puškins Pikovaja dama, Tab. 3.2 und Abb. 3.5 repräsentieren Vorkommenshäufigkeiten (fi) der entsprechenden Silbenanzahl pro Satz (i). Tab. 3.2: Satzlängen in Pikovaja Dama i

fi

i

fi

i

fi

i

fi

i

fi

3 4 5 6 7 8 9 10 11 12 13

2 3 4 8 5 12 13 10 13 10 7

14 15 16 17 18 19 20 21 22 23 24

8 7 10 7 6 8 7 6 5 7 4

25 26 27 28 29 30 31 32 33 34 35

6 6 6 3 5 3 4 2 2 1 3

36 38 39 40 41 43 44 45 47 49 50

1 1 2 2 1 1 3 5 2 1 2

51 59 67 71 78 79 82

1 1 1 1 1 2 1

Nach Tomaševskij (1920, 264) ergibt sich eine hinreichend gleichmäßige, schnell ansteigende und langsam fallende Kurve. Das Maximum von 11 Silben sei aber nicht charakteristisch, da der Mittelwert von 20 Silben zweimal so groß sei wie das Maximum. Tomaševskij hat sich in Anbetracht dieses Ergebnisses weniger an der Streuung (die sich gegebenenfalls durch Gruppenzusammenfassungen reduzieren ließe) als vielmehr an der Abweichung von der offenbar erwarteten Symmetrie der Verteilung orientiert, da sich für ihn „jegliche Beziehung, jegliche Analogie zwischen der Länge der verschiedenen Perioden verliert“. Unter Bezugnahme auf die sprachwissenschaftlichen Arbeiten zur Syntax K vor allem die in mehreren Auflagen erschienene Grammatika russkogo jazyka von Bogorodickij, Peškovskijs Russkij Sintaksis v nauč-

3. Zur Vorgeschichte quantitativer Ansätze in der russischen Sprach- und Literaturwissenschaft

45

14 12 Häufigkeit

10 8 6 4 2 0 1

11

21

31

41

51

61

71

81

Anzahl der Silben

Abb. 3.5: Satzlängen in Pikovaja Dama

nom osveščenii (1914) und einschlägige Überlegungen von Ščerba K analysiert Tomaševskij (1920, 266 ff.) im weiteren Verlauf, inwiefern sich die Einheit des (von Ščerba als Syntagma bezeichneten) Kolons als lautliche Periode eignet. Ein Kolon ist demnach definiert als ein „gesondertes, durch abgrenzende Intonationen abgegrenztes Satzglied“ (Tomaševskij 1920, 266). Dabei sieht sich Tomaševskij (1920) zwar gehalten einzuräumen, dass das Fehlen einer strikten Definition des Kolons es unmöglich mache, das Material mit strenger Objektivität zu untersuchen und den Einfluss eines gewissen Grades an Subjektivität bedinge; er ist sich jedoch sicher, dass dieser Umstand letztendlich keinen entscheidenden Einfluss auf die Schlussfolgerungen habe. In der Tat erweist sich die Silbenlänge der Kola als wesentlich robuster, wie der Tab. 3.3 bzw. Abb. 3.6 zu entnehmen ist: fi 1 2 9 12 14 16 14 13 10 5 3 1

20

Anzahl der Kolons

i 3 4 5 6 7 8 9 10 11 12 13 14

15

10

5

0 1

2

3

4

5

6

7

8

9

10

11

12

13

14

Silben pro Kolon

Tab. 3.3 / Abb. 3.6: Silbenanzahl pro Kolon in Pikovaja dama

Die offenbare Symmetrie der Verteilung K die sich darin äußert, dass sowohl Mittelwert als auch Maximum bei acht Silben liegen K

interpretiert Tomaševskij als Anzeichen einer korrekt gewählten Einheit zur Bestimmung dessen, was er ,lautliche Periode‘ nannte. Dieser Befund decke sich im Übrigen mit Beobachtungen von Aleksandr Chr. Vostokov (1781K1864), der bereits 1817 in seinem Versuch über die Russische Versfügung den Begriff der „prosodischen Periode“ ausführlich diskutiert und den Umfang einer solchen Periode bei sieben bis acht Silben veranschlagt hatte (Vostokov 1817, 100 ff.). Den Grund für eben diesen Umfang einer Periode K die Tomaševskij mit der Periode innerhalb einer Phrasenbetonung bei Peškovskij gleichsetzte K hatte Vostokov aus physiologischer Sicht in einer „natürlichen Begrenzung“ gesehen, die seiner Meinung nach darin bestand, „dass man bei einer erhöhten oder betonten Silbe nicht mehr erniedrigte oder unbetonte Silben aussprechen kann als die menschliche Brust aushält, die keine Atmung ausübt“ (Vostokov 1817, 100). Tomaševskij (1920) stellt in diesem Zusammenhang klar, dass die von ihm getroffene Feststellung der Konstanz der rhythmischen Periode „nur das Faktum des normalen Umfangs ist und keinesfalls ein obligatorischer Umfang, d. h. Faktum einer normativen rhythmischen Verstärkung“ (Tomaševskij 1920, 273). Auch oder gerade deswegen stellt sich für ihn die Frage, ob und inwiefern sich ein (kausaler) Zusammenhang ergibt zwischen dem im Durchschnitt achtsilbigen Prosarhythmus und dem zur Entstehungszeit der Pikovaja dama gebräuchlichsten Metrum, dem vierfüßigen Jambus (mit eben dieser Silbenanzahl). Obwohl im Prinzip eine solche Beeinflussung in beide Richtun-

46

I. Allgemeines / General

gen denkbar wäre, spricht Tomaševskij (1920) sich dafür aus, „die Konstanz der syllabischen Länge des rhythmischen Prosakolons außerhalb jeglicher prinzipiellen Verbindung mit der Struktur der dichterischen Rede anzusehen“ (Tomaševskij 1920, 274): Während sich im Vers der metrische Umfang als „Merkmal einer konstruktiven ästhetischen Norm“ erweise, seien die „Normen des Prosarhythmus kein konstruktives Gesetz“ (Tomaševskij 1920, 274). In weiteren Schritten hat Tomaševskij an den ersten drei Kapiteln der Pikovaja dama die Verteilung der unbetonten Silben in bestimmten Positionen genauer untersucht und mit dem Gesamtvorkommen im Text verglichen. Als erstes hat Tomaševskij den Auftakt (začin) untersucht, und zwar sowohl im Hinblick auf den Satzanfang als auch im Hinblick auf das Kolon innerhalb eines Satzes. Konkret stellt sich also die Frage, wie viele Silben der ersten betonten Silbe an der entsprechenden Position vorausgehen. Wie die Daten in Tab. 3.4 deutlich zeigen (vgl. Abb. 3.7 [1]), ist die Satzanfangsposition im Vergleich zum Gesamtvorkommen durch eine klare Dominanz trochäischer Auftakte und eine ebenso deutliche Abnahme jambischer Auftakte charakterisiert; im Durchschnitt sind es 0,81 Silben, die der ersten betonten Silbe vorangehen. Eine andere Tendenz ergibt sich im zweiten Fall, beim Kolon in der Satzmitte: hier nimmt insbesondere die Zahl kurzer Auftakte ab und die Zahl mehrsilbiger unbetonter Auftakte zu K im Durchschnitt gehen an dieser Position 1,35 Silben der betonten Silbe voraus. Tab. 3.4: Positionsabhängige Verteilung von Betonungen gesamt (positionsunabhängig) trochäisch jambisch anapästisch paiononisch hyperpaionisch

0 32,7 1 41,3 2 20,8 3 4,5 4 0,7 5

Satzanfang

Anfang mittl. Kolon

45,8 29,8 22,6 1,3 0,5

19,9 39 29,9 8,2 2,8 0,2

Ein weiterführender Vergleich dieser Befunde mit der Verspraxis Puškins zeigt nach Tomaševskij (1920, 292) die K für ihn nicht unbedingt zu erwartende K Tendenz, dass die beobachteten Konstruktionen sich in

Vers und Prosa nicht wesentlich unterscheiden. Anders hingegen ist das bei einer Untersuchung der Satz- bzw. Kolaendungen. Denn bei einer entsprechenden Untersuchung der Endungen (koncovka) der rhythmischen Perioden am Satzende stellt sich eine klare „Tendenz zur Verlängerung“ (Tomaševskij 1920, 295) heraus: während an dieser Position der Anteil weiblicher Endungen im Vergleich mit dem gesamten Material abnimmt, steigt der Anteil weiblicher und vor allem daktylischer Endungen K hier gibt es keinen wesentlichen Unterschied im Vergleich zur Endung der satzinternen Kola. Im Gegensatz zur Struktur der Auftakte sind somit die Endungen der Kola sowohl am Satzende als auch satzintern eher einförmig. Allerdings gibt es nach Tomaševskij (1920, 296) hierbei keine Analogie zur Struktur im Vers, insofern sich die im Vers ausdrückende Tendenz zur männlichen Beendigung einer Periode nicht in der Prosa spiegelt K für Tomaševskij (1920, 296) ein zentraler Hinweis darauf, „wie gefährlich es ist, im Allgemeinen eine Analogie zwischen Vers und Prosa anzuführen, ohne vorher das Verhältnis beider zueinander zu prüfen“ (Tomaševskij 1920, 296). Abb. 3.7 stellt die Befunde in anschaulicher Form dar: in der linken Graphik (Abb. 3.7 [1]) die Relationen der Auftakte, in der rechten die Kadenzen (Abb. 3.7 [2]). Jeweils punktiert sind die positionsunabhängigen Häufigkeiten, mit durchgezogener Linie die auf den Satz, mit gestrichelter Linie die auf die Kola bezogenen Relationen. In dem selben Text ist Tomaševskij (1920, 302 ff.) der Frage der Intervalle, d. h. der Anzahl unbetonter Silben zwischen zwei betonten Silben, nachgegangen. Dabei ist er von den beobachteten Häufigkeiten ausgegangen, mit denen im untersuchten Text unbetonte Silben unmittelbar aufeinander Silben aufeinander folgen; nach Tomaševskij lassen sich (1920, 302) „nach dem Prinzip der Wahrscheinlichkeitstheorie die Vorkommenshäufigkeit der verschiedenen Intervalle berechnen“. Tomaševskij führt leider nicht an, wie er zu diesen theoretischen Werten gelangt ist; es ist jedoch am naheliegendsten, dass er die Binomialwahrscheinlichkeiten berechnet hat, die sich nach Px Z

()

n x nKx p q x Z 0, 1, ..., n x

(4)

berechnen lassen, wobei sich p recht gut aus den beobachteten Daten als pˆ Z x¯ / n schät-

47

3. Zur Vorgeschichte quantitativer Ansätze in der russischen Sprach- und Literaturwissenschaft 1

50

2

40

30

20

10

0

1

2

3

4

5

0

1

2

3

4

Abb. 3.7: Auftakte und Kadenzen nach Tomaševskij (1920, 289)

zen lässt und qˆ Z 1 K pˆ ist. Die entsprechenden Binomialwahrscheinlichkeiten sind in Prozenten den von Tomaševskij (1920, 302) angeführten Werten in der Tab. 3.5 hinzugefügt. Die Werte der von Tomaševskij angegebenen Wahrscheinlichkeiten lassen sich, wie eine Re-Analyse seiner Daten zeigt, im Übrigen nur dann reproduzieren, wenn man bei der Berechnung der Binomialwahrscheinlichkeiten von n Z 9 ausgeht (womit sich aufgrund von x¯ Z 1,87 ein Wert von p Z 0,0208 ergibt); eine Anpassung der Binomialverteilung an die Daten mit n Z 6 (was ja dem tatsächlichen Klassenumfang entspricht) führt im Übrigen zu noch besseren Ergebnissen und bestätigt die Binomialverteilung als ein ausgezeichnetes Modell (C Z χ 2 / N Z 0,0005). Tab. 3.5 enthält ebenfalls die Werte für die Länge derjenigen Intervalle, die unmittelbar auf ein einsilbiges Intervall folgen, welche sich vor allem durch einen deutlich erhöhten Anteil einsilbiger Intervalle auszeichnen (was im Anschluss an mehrsilbige Intervalle Tomaševskij zufolge nicht der Fall ist). Abb. 3.8 veranschaulicht die Ergebnisse in graphischer Form: die punktierte Linie ist die relative Häufigkeit unabhängig von der

Position, die dünne Linie stellt die theoretischen Häufigkeiten dar, die dicke Linie symbolisiert die relativen Häufigkeiten nach einem einsilbigen Intervall. 50

40

30

20

10

0

1

2

3

4

5

0

Abb. 3.8: Relative Häufigkeiten der Intervalle nach Tomaševskij (1920, 302)

Tomaševskij (1920, 305) weist abschließend einschränkend darauf hin, dass die von ihm beobachteten Erscheinungen noch keine Grundlage für weitreichende Verallgemeinerungen darstellen K lediglich (weitere) vergleichende Analysen könnten zeigen, was für das untersuchte Material spezifisch sei und was fehlerlos verallgemeinert werden könne.

Tab. 3.5: Beobachtete und theoretische Intervalle zwischen betonten Silben Länge des Intervalls (Anzahl unbetonter Silben zwischen betonten Silben) beobachtet theoretisch (nach Tomaševskij) binomial (Re-Analyse) n. 1-silbigem Intervall

0

1

2

3

4

5

6

10,3 12,2 10,6 9,4

29,8 28,7 28,8 37,5

32,1 30,6 32,7 25,1

19,7 18,8 19,8 20,7

6,8 7,4 6,7 5,9

0,8 1,9 1,2 1,3

0,5 0,3 0,1 0,3

48 Einen Versuch dieser Verallgemeinerung hat Tomaševskij selbst in seiner oben bereits erwähnten Untersuchung zum fünffüßigen Jambus bei Puškin unternommen, die auf einen Vortrag im MLK (Juni 1919) zurückgeht; diese Untersuchung wurde 1923 unter dem Titel Očerki po poėtike Puškina zusammen mit weiteren Analysen von P. G. Bogatyrev und V. B. Šklovskij in Berlin veröffentlicht und dann im Buch O stiche (Tomaševskij 1929, 138 ff.) wiederabgedruckt. Tomaševskij skizziert eingangs kurz die Entstehungsgeschichte der Fragestellung nach dem Verhältnis von betonten und unbetonten Silben in Poesie und Prosa: Erstmals aufgeworfen wurde sie in der Zeitschrift Sovremennik 1855 von dem bekannten Literaturkritiker und Schriftsteller Nikolaj G. Černyševskij (1828K89). Aus Anlass der Besprechung einer Puškin-Ausgabe von Annenkov hinterfragte Černyševskij (1906a) die Dominanz der zweisilbigen jambischen und trochäischen Versfüße dahingehend, ob nicht der Jambus „das für die russische Sprache natürlichste Metrum“ (Černyševskij 1906a, 286) sei (vgl. Grzybek 2004a). Als erste Vermutung, dass dies nicht der Fall sei, führte er an, dass im Russischen (im Vergleich zum Deutschen) die Wörter eher mehrsilbig seien, und dass Präpositionen und Pronomina in der Regel keine, alle anderen Wörter nur jeweils eine Betonung tragen. Diese Beobachtung versuchte Černyševskij (1906a, 287) an ausgewählten Stichproben zu überprüfen. So zählte er in einem Textausschnitt von A. F. Pisemskij (1821K 1881) 66 betonte von insgesamt 193 Silben, in zwei anderen Textausschnitten waren 25 von 75 bzw. 27 von 83 Silben unbetont. In allen drei Fällen (sowie in den drei aufsummierten Stichproben) lag somit die Relation betonter und unbetonter Silben in „erstaunlicher Nähe“ zueinander bei 1:3, was Černyševskij (1906a) veranlasste, „den unumgänglichen Schluss zu ziehen, dass Jambus und Trochäus, die bei 30 Silben 15 Betonungen verlangen, in der russischen Sprache bei weitem nicht so natürlich sind wie Daktylus, Amphibrachys, Anapäst, die bei 30 Silben 10 Betonungen verlangen.“ (Černyševskij 1906a, 287) In einer anderen Besprechung aus dem selben Jahr wünschte Černyševskij (1906b, 359) sich, dass die mathematischen Wissenschaften mit dem von ihnen erreichten Stand in vielerlei Hinsicht als Beispiel dafür dienen sollten, wohin auch die übrigen Wissenschaften streben sollten. Er bezog das

I. Allgemeines / General zum einen auf die klare Strukturierung des Fachs und die damit verbundene Ausbildung auf verschiedenen Niveaus, lobte aber auch die Klarheit der Begriffsbildung, die er in einem konstruierten Beispiel veranschaulichte, indem er für die Kategorie des Dativs die folgende fiktive Darstellungsform notierte:

[(a √b3 C c4 K d 2 / e3) / (a C b2)]2 5

In seinen 1877/78 in der Zeitschrift Russkij Vestnik veröffentlichten, später wiederholt in Buchform erschienenen Ausführungen O drame setzte sich Dmitrij V. Averkiev (1836K1905) harsch mit den Überlegungen von Černyševskij auseinander. Averkiev war ein bekannter Dramaturg, der 1859 die physikalisch-mathematische Fakultät der Universität Petersburg absolviert hatte; er stand seit jener Zeit in engem Kontakt mit zwei zentralen Figuren des literarischen Lebens, Apollon A. Grigor’ev (1822K64) und Nikolaj N. Strachov (1828K96), der übrigens ebenfalls in Sankt Petersburg Mathematik studiert und zunächst in Odessa, später in Sankt Petersburg Mathematik unterrichtet hatte.

Averkiev wies darauf hin, dass im vier- bzw. fünffüßigen Jambus oder Trochäus vier bzw. fünf realisierte Betonungen eine Seltenheit seien; vielmehr kämen auf 8K9 Silben in der Regel zwei oder drei, auf 10K11 Silben drei oder vier, auf 12K13 Silben vier oder fünf realisierte Betonungen K d. h. in etwa so viele, wie in Černyševskijs Prosa-Studien angegeben. Ungeachtet aller Kritik, die sich in Anbetracht der Überlegungen von Černyševskij und Averkiev aufdrängt (vgl. Tomaševskij 1919b, 162 f.), war damit bereits Anfang der zweiten Hälfte des 19. Jh.s darauf hingewiesen worden, die Metrik der Verssprache nicht als isoliertes Problem, sondern im Lichte der praktischen Prosasprache zu sehen. Genau vor diesem Hintergrund lokalisiert Tomaševskij seine Untersuchungen. Bei einem einleitenden Vergleich der Vorkommenshäufigkeit unbetonter Silben in jambischen Versen verschiedener Länge kommt er dabei auf die in Tab. 3.6 angeführten Prozentzahlen. Die Darstellung in Abb. 3.9 macht für Tomaševskij deutlich, „dass man eine gerade Linie erhält, die von einer Proportionalität der Zunahme des Verses und der Anzahl unbetonter Silben zeugt“ (Tomaševskij 1919b, 167). Fast noch wichtiger aber ist die in diesem Zusammenhang von ihm gemachte Be-

49

3. Zur Vorgeschichte quantitativer Ansätze in der russischen Sprach- und Literaturwissenschaft Tab. 3.6: Verslänge und Anzahl unbetonter Silben nach Tomaševskij (1919b, 172) Anzahl gerader Silben pro Vers Prozentuale Häufigkeit unbetonter Silben

1

2

3

(beobachtet) (theoretisch)

4

5

6

Abb. 3.9: Zusammenhang von Verslänge und Anzahl unbetonter Silben nach Tomaševskij (1919b, 172)

obachtung, „dass die Gesamtmenge der unbetonten geraden Silben nicht zur Gesamtzahl der geraden Silben eines Verses (der „Anzahl der Takte“) proportional ist, sondern nur zu der um 1 verminderten Zahl“ (Tomaševskij 1919b, 167). Dies drückt sich auch in der Formel für die theoretisch berechneten Werte aus, die auf der Gleichung y Z 0,28 $ (x K 1)

(5)

basieren, was in der Tat einen nahezu perfekten linearen Zusammenhang ergibt. Dies sei die unmittelbare empirische Widerlegung der Annahme von Averkiev, dass die nicht realisierte Betonung gerader Silben die Verssprache in die praktische Sprache überführe: Träfe diese Annahme nämlich zu, dann müsste eine exakte Proportionalität zwischen Nicht-Realisierung der Betonung und der vollständigen syllabischen Verslänge vorliegen. De facto aber liege eine solche Proportionalität zwischen Anzahl der Betonungen und Silbenzahl nur bis zur konstanten Betonung des Reims vor. Insofern komme gerade den letzten Silben eines Verses, da sie eine konstante Betonung aufweisen, besondere Bedeutung zu. Daraus wiederum folgt für Tomaševskj (1919b), dass man das „Gesetz der Anzahl von Betonun-

1

2

3

4

5

6

0 0

24 28

63 56

84 84

107 112

142 140

gen“ kenne, sobald man das „Gesetz der Verteilung der unbetonten Silben“ (Tomaševskj 1919b, 169), kenne. In der Tat lässt sich K da die Wahrscheinlichkeit dafür, dass eine der inneren geraden Silben betont ist, 0,72 beträgt K die Anzahl der zu erwartenden Betonungen (abgesehen von der letzten) in einem Vers berechnen, so etwa für einen 5-füßigen Jambus als 0,72 ! 4 Z 2,88. Allerdings ist die Verteilung der Betonungen bei diesen inneren geraden Silben nicht gleichmäßig: Abgesehen vom zweifüßigen Jambus K der nur eine freie Silbe aufweist, so dass die durchschnittlichen 0,72 Betonungen nur auf die zweite Silbe fallen können K weist vor allem die letzte gerade Silbe vor dem Reim eine Konstanz auf, die darin besteht, dass diese Silbe unabhängig von der Verslänge in nur ca. 40 % der Fälle betont ist (vgl. Tab. 3.7). Eine ähnliche Konstanz weist die erste gerade, also die zweite Silbe eines Verses auf K eine Ausnahme stellt hier der dreifüßige Jambus dar, von dessen 144 (für die inneren geraden Silben) zu erwartenden Betonungen 40 auf der vierten Silbe liegen, so dass alle übrigen auf die zweite fallen (vgl. Tab. 3.8). Tab. 3.8 enthält die entsprechenden Daten, wobei Tomaševskij (1929, 174) die Prozentzahlen für den 6-füßigen Jambus von Šengeli übernommen hat, was gegebenenfalls aufgrund unterschiedlicher Zählweisen die Abweichungen erklärt. Mit Ausnahme des dreifüßigen Jambus weist also die zweite Silbe im Durchschnitt in 85 % der Fälle Betonungen auf, so dass an dieser Stelle statt der zu erwartenden 28 % nur 15 % unbetonter Silben zu erwarten sind. Nach einer Reihe detaillierter Einzelberechnungen kommt Tomaševskij so zur theoretischen Verteilung der Betonungen in verschiedenen jambischen Verstypen. Im

Tab. 3.7: Zusammenhang zwischen Verslänge und Betonungsanzahl Anzahl der Takte (Verslänge)

3

4

5

6

x¯

Anzahl der Betonungen der letzten geraden Silben vor dem Reim (in %)

39

43

40

38

40

50

I. Allgemeines / General

Tab. 3.8: Zusammenhang zwischen Verslänge und Betonungsanzahl Anzahl der Takte (Verslänge)

4

5

6

x¯

Anzahl der Betonungen der letzten geraden Silben vor dem Reim (in %)

84

84

90

85

4-füßigen Jambus z. B. sollten bei 100 Versen im Durchschnitt 216 Betonungen (400 K 100 K 56 Z 216) vorkommen; zu erwarten wäre, dass 85 Betonungen auf der zweiten und 40 auf der sechsten Silbe liegen, so dass für die vierte Silbe 91 Betonungen übrig bleiben; nach Tomaševskij (1919b, 177) liegen die im Evgenij Onegin zu beobachten100

1

2

3

4

3

4

5

4

6

90

80

80

80

70

70

70

60

60

60

50

50

50

40

40

40

30

30

30

20

20

20

10

10

10

2

3

4

7

8

8

5

6

2

7

3

4

5

6

100

9

10

8

9 100 90

80

80

70

70

60

60

50

50

40

40

30

30

20

20

10

10 2

11

3

4

5

6

7

8

100

9

10 11

12 13 100

7

90

10

7

5

90

6

2

100

3

90

5

6

100

2

90

4

2

den Häufigkeiten bei 84, 43 und 90. Da die Ergebnisse auch für die anderen aufgezeigten Typen gleich gut sind, ist Tomaševskij (1919b) überzeugt, „dass das gefundene Zahlengesetz von der Verteilung der Betonungen im Jambus richtig ist“ (Tomaševskij 1919b, 177).

90

80

80

70

70

60

60

50

50

40

40

30

30

20

20

10

10 2

3

4

5

6

7

8

9

10

11

Abb. 3.10: Beobachtete und theoretische Häufigkeiten verschiedener jambischer Typen nach Tomaševskij (1919b, 179)

51

3. Zur Vorgeschichte quantitativer Ansätze in der russischen Sprach- und Literaturwissenschaft Tab. 3.9: Relative Frequenz von Wortlängen Silben pro Wort

Prosa

Jambus 2-füßig

3-füßig

4-füßig

5-füßig m. Zäsur

o. Zäsur

1 2 3 4 5 6 7

8,55 33,09 31,25 18,71 6,30 1,81 0,27

17,81 49,31 20,54 8,90 3,42

11,31 32,41 38,95 15,17 2,15

10,84 38,44 36,40 10,44 2,88 0,94 0,07

15,72 34,63 29,50 18,37 1,74 0,01 0,01

14,49 36,76 31,91 13,47 3,13 0,21 0,01

x¯

2,88

2,31

2,64

2,59

2,56

2,55

Abb. 3.10 zeigt die beobachteten und theoretischen Häufigkeiten für die verschiedenen jambischen Typen: (1) 2-füßig, (2) 3füßig, (3) 4-füßig, (4) 5-füßig mit Zäsur, (5) 6-füßig, (6) und (7) 5-füßig ohne Zäsur (m. unterschiedlichen Wortgrenzen); die beobachteten Betonungen sind mit durchgezogener, die theoretischen mit punktierter Linie dargestellt. Abb. 3.11 stellt zusätzlich die Wortgrenzen für die einzelnen Verstypen dar, deren 60 50 x x x x x x x x x x x x xxxxx-x -xx-

x

x

x

-

x

-

x

x

x

-

x

x

x

x

-

x

x

x

x

x

-

-

x

x

-x -x -x x x x x -x x x -x x x- x x -xx x- x xx-x xxx -xxx- x x x - xx-x xx x -x x x x -x x-x- x x x x x x x x x x x - x - x - x - x - x - x -x

x

x

Prosa 0 1

-

x

x

x

x

x

10

-

x

x xx x x x x x xx x-

-

x

x

x

20

-

x

x

x

x x -x xx x

x

30

x

-x xx - x x x -

x

40

2

3

2

3

4

5 m.

4

5 o.

5

7

6

Abb. 3.11: Häufigkeiten der Wortgrenzen in verschiedenen Verstypen nach Tomaševskij (1919b, 197 ff.)

Verteilungen im Vers Tomaševskij (1919b, 197 ff.) im Detail untersucht. Die Ergebnisse einer akribischen Darstellung der Vorkommenshäufigkeiten von Betonungsstellen in Wörtern K differenziert nach der Wortlänge einerseits, nach Texttyp andererseits (in der Prosa und in fünf verschiedenen jambischen Verstypen) K hat Tomaševskij (1919b, 197 ff.) in drei resümierenden Tabellen zusammengefasst. Tab. 3.9 enthält die relativen Häufigkeiten aller Wortlängenvorkommnisse, getrennt nach Text- bzw. Verstyp. Deutlich zu sehen ist zum einen, wie sich die mittlere Wortlänge, zum anderen das Verteilungsmodell in Abhängigkeit vom Texttyp ändert K besonders auffällig im Vergleich zur Prosa ist der hohe Anteil 2silbiger und der niedrige Anteil 3-silbiger Wörter beim 2-füßigen Jambus, sowie der hohe Anteil 3-silbiger Wörter beim 3-füßigen Jambus. Tab. 3.10 zeigt die Häufigkeit der Silbenanzahl, mit der unbetonte Silben der Betonung eines Wortes vorausgehen. Hier ist im Vergleich zur Prosa zum einen der Anstieg

Tab. 3.10: Relative Häufigkeit der Silbenanzahl vor der 1. Betonung unbetonte Silben vor Wortbetonungen

Prosa

0 1 2 3 4 5 6 x¯

Jambus 2-füßig

3-füßig

4-füßig

5-füßig m. Zäsur

o. Zäsur

32,67 41,27 20,82 4,54 0,68 0,01

26,71 60,27 3,42 9,58

20,72 63,07 13,40 2,80

26,29 56,83 10,99 5,88 0,01 0,01

24,67 61,91 8,24 5,11 0,01 0,01

30,01 54,31 9,73 5,83 0,12 0,01

0,99

0,96

0,98

0,97

0,94

0,92

52

I. Allgemeines / General

Tab. 3.11: Relative Häufigkeit der Silbenanzahl nach der Wortbetonung unbetonte Silben nach Wortbetonungen

Prosa

Jambus 2-füßig

3-füßig

4-füßig

5-füßig m. Zäsur

o. Zäsur

0 1 2 3 4

37,45 40,61 18,38 3,28 0,28

65,06 34,94

42,87 46,68 7,85 0,59

46,36 45,14 8,00 0,51

50,93 36,58 12,05 0,42

47,56 42,73 8,93 0,69

x¯

0,88

0,35

0,64

0,63

0,62

0,63

von Wortformen, die mit einer ungeraden Zahl unbetonter Silben beginnen, auffällig, zum anderen die Tatsache, dass die mittlere Anzahl unbetonter Silben vor einer Wortbetonung insgesamt relativ konstant ist. Anders ist das im Fall der Häufigkeit der Silbenanzahl, mit der unbetonte Silben der Betonung eines Wortes folgen (vgl. Tab. 3.11). Hier sind die deutlichsten Veränderungen im Vergleich zur Prosa zu beobachten, was sich insbesondere im extremen Abfall der Mittelwerte äußert. Tomaševskij (1919b) sieht deshalb aufgrund der Beobachtung, „dass die Zahlen der Wortanfänge und -endungen größeren Abweichungen unterliegen als die mittleren Wortlängen“, die Schlussfolgerung bestätigt: „Für den Vers ist nicht so sehr die Anzahl der Silben im Wort wichtig als die Position der Betonung.“ (Tomaševskij 1919b, 200). Damit stellt sich als Nächstes die Frage, inwiefern ein Vers als eine in sich geschlossene Einheit anzusehen ist oder ob es zwischen den einzelnen Versen Beziehungen in Form von bestimmten Konfigurationen gibt. Solche Figuren hatte ja A. Belyj in den Vordergrund seines Interesses gestellt K Tomaševskij (1919b, 182 ff.) geht es nun darum, dieses Problem wahrscheinlichkeitstheoretisch zu betrachten. So stellt er als erstes die Frage nach der Wahrscheinlichkeit des Vorkommens eines bestimmten Typs von Betonungsverteilung innerhalb eines Verses in Isolation oder in Gruppen von n identischen Typen in unmittelbarer Aufeinanderfolge. Zur Berechnung geht er davon aus, dass ein solcher Verstyp die Vorkommenswahrscheinlichkeit α habe, so dass β die Summe der Wahrscheinlichkeiten aller anderen Typen sei, womit α C β Z 1. Die Wahrscheinlichkeit pn, dass ein Verstyp in einer Gruppe von n identischen Verstypen in unmittelba-

rer Aufeinanderfolge vorkommt, berechnet sich dann als: pn Z α n $ β 2

(7)

Nimmt man als Beispiel aus Puškins Boris Godunov mit seinen 1579 im fünffüßigen Jambus geschriebenen Verszeilen den Verstyp, in dem auf der 4. und 8. Silbe die Betonung nicht realisiert ist, so beläuft sich deren Frequenz auf 301, was einem Prozentsatz von 19,1 % entspricht. Die Wahrscheinlichkeit, dass dieser Verstyp in Isolation vorkommt, beträgt somit p1 Z 0,191 ! 0,812, was nach Multiplikation mit N Z 1579 insgesamt 197 Vorkommnisse erwarten ließe K de facto sind es 182; für zwei bzw. drei direkt aufeinander folgende Verstypen sind die theoretischen und beobachteten Werte 38 und 43 bzw. 7 und 8. Auf ähnliche Weise berechnet Tomaševskij die Vorkommenswahrscheinlichkeit von Figuren à la Belyj. So berechnet er die theoretische Vorkommenshäufigkeit eines Dachs im Boris Godunov K einer Kombination also, bei der im ersten Vers nur die 6. und im zweiten Vers die 4. und 8. Silbe unbetont sind K als 10, in der Realität sind es 9; die Häufigkeit eines Kreuzes berechnet Tomaševskij mit 2, was genau der Beobachtung entspricht, usw. Insgesamt sind die Ergebnisse für Tomaševskij (1919b, 187) dermaßen überzeugend, dass er die Notwendigkeit einer weiteren Behandlung der Frage für erledigt erklärt K und zwar aufgrund von objektiven Fakten, und nicht von willkürlichen Erklärungen. Belys Figuren sind für Tomaševskij (1919b) das mechanische Resultat einer zufälligen Verbindung unterschiedlicher Verstypen, deren „scharfsichtige Erläuterungen“ seines Erachtens „nicht mit den objektiven Vorzügen der Methode, sondern ausschließlich mit den herausragenden intuitiven Fähigkeiten

3. Zur Vorgeschichte quantitativer Ansätze in der russischen Sprach- und Literaturwissenschaft

des Autors zu erklären sind“ (Tomaševskij 1919b, 188). Der Ansatz Tomaševskijs, die Auslegungen von Belyj auf wahrscheinlichkeitstheoretischer Ebene zu behandeln, kann historisch gesehen gar nicht hoch genug eingeschätzt werden. Das schützt Tomaševskij freilich nicht vor Kritik, die es im Hinblick auf die von ihm angestellten Berechnungen vorzubringen gilt: Zum ersten beträgt die Summe aller Wahrscheinlichkeiten seiner Formel nicht 1, was die Formel de facto für das von Tomaševskij angestrebte Ziel unbrauchbar macht; wenn man seine Formel auf an$b korrigiert, wären zwar die Wahrscheinlichkeiten korrigiert, aber jeweils nur für einen einzigen Typ von Vorkommnissen gleichzeitig.

Tomaševskij stellt weitere Berechnungen an, auf die hier nicht im Detail eingegangen werden kann. So berechnet er etwa im Hinblick auf den Reim zum einen die Anzahl der in einer sog. Reim-Kette verbundenen Reime, zum anderen die Größe und Häufigkeit der Intervalle zwischen den Gliedern eines Reims (Tomaševskij 1919b, 211 ff.). Auch stellt er Vergleiche von Puškin-Texten mit Texten anderer Autoren (in anderen Sprachen) an, um die Frage der Spezifik von Autor, Sprache und Metrum zu klären (Tomaševskij 1919b, 220); er vergleicht die Dichtung Puškins verschiedener zeitlicher Perioden miteinander (Tomaševskij 1919b, 231 ff.) und setzt die beschriebenen Verfahren zur Bestimmung strittiger Autorschaft ein (Tomaševskij 1919b, 249 f.). Damit lässt sich zusammenfassend die Schlussfolgerung ziehen, dass es Tomaševskij nicht nur gelungen ist, erstmals wahrscheinlichkeitstheoretische Überlegungen in die Versanalyse einzuführen, sondern die Grundlagen für quantitative Verfahren in Sprach- und Textwissenschaft schlechthin zu legen. Bezeichnend ist dabei, dass die disziplinären Grenzen zwischen philologischen und mathematischen Ansätzen dabei ebenso verschwimmen wie jene zwischen Sprachund Literaturwissenschaft. Nicht zufällig bezieht er sich in seinen Versuntersuchungen immer wieder auf die zeitgenössischen linguistischen Arbeiten nicht nur von Baudouin-Schülern wie Bogorodickij oder Ščerba, sondern auch auf die Arbeiten des aus der Moskauer Fortunatov-Tradition stammenden Peškovskij. Mit dem Verweis auf dessen Arbeiten schließt sich insofern zum einen der Kreis zwischen quantitativen Ansätzen in der Sprach- und Literaturwissenschaft; zum an-

53

deren zeigt sich deutlich, wie die von Baudouin de Courtenay und Fortunatov geschaffenen Grundlagen der Kazaner und der Moskauer Schule nunmehr ihre Früchte trugen. Tomaševskij, der selbst ja BaudouinSchüler war, ist nur eines von vielen Beispielen dafür. Die erste breite sprachstatistische Darstellung erschien Ende der 20er Jahre; es handelt sich um den Versuch der Anwendung der statistischen Methode auf die Sprachwissenschaft (Čistjakov/Kramarenko 1929) von V. F. Čistjakov und B. K. Kramarenko, der 1929 in 350 Exemplaren in Krasnodar erschien. Das Buch stellt erstmals in der Geschichte der Quantitativen Linguistik K nicht nur in Russland K ein breites Spektrum des sprachstatistischen Feldes dar. Dies wurde auch zur damaligen Zeit so gesehen: so wies etwa Kopeckij (1931, 169) in seiner Rezension darauf hin, dass sich durchaus auch schon zuvor Forscher wie (die im Übrigen auch im Anhang des Buches von Čistjakov/Kramarenko genannten) Bogorodickij, Peškovskij, u. a. mit sprachstatistischen Fragen beschäftigt hätten, dass aber niemand zuvor in einem derartigen Umfang statistische Methoden auf die Sprache angewendet habe. Ziel dieses Buches war es, wie im Vorwort dargelegt wird (Kopeckij 1931, 4): (1) die prinzipielle Anwendungsmöglichkeit der statistischen Methode auf sprachwissenschaftliche Fragen darzulegen; (2) eine Reihe von linguistischen Problemen aufzuweisen, deren Lösung entsprechender Verfahren bedarf; (3) die Anwendung der statistischen Methode an konkretem Material zu demonstrieren. In einleitender Auseinandersetzung mit dem (junggrammatischen) Gesetzesbegriff der Sprachwissenschaft, und unter Bezugnahme auf diesbezügliche kritische Aussagen, wie sie etwa Aleksandr I. Tomson (1860K1935), ein Schüler Fortunatovs, in seinem Werk Obščee jazykoznanie (Tomson 1910) oder Ferdinand de Saussure getroffen hatten, sprechen die Autoren von „ideographischen Gesetzen“, zu deren Beschreibung die Anwendung statistischer Verfahren nahe liege. Auf Saussures Cours de linguistique générale, der erst 1933 erstmals in russischer Übersetzung von A. M. Suchotin erschien, hatte in Russland in schriftlicher Form erstmals Peterson in den 20er

54

I. Allgemeines / General

Abb. 3.12: Differenzierende Häufigkeitsverteilung der Wortlängen nach Čistjakov/Kramarenko (1929) Jahren aufmerksam gemacht (vgl. Grzybek 1989, 21 ff.; 1999, 1290 ff.).

Dies schließe nicht die Existenz natur-historischer Gesetze auch im Bereich der Sprache aus; allerdings dürfe man die Rolle der Statistik im Bereich der Sprachwissenschaft nicht überschätzen, da man mit ihr nur statistische Gesetzmäßigkeiten aufzeigen könne K zu deren Erklärung seien hingegen spezifische Methoden der Linguistik notwendig (Kopeckij 1931, 7). Im Anschluss an die einleitenden theoretischen Überlegungen werden zunächst „Formeln des Lautbestands“ (Kopeckij 1931, 9 ff.) analysiert, in denen es in erster Linie um statistische Analysen des Bestands der verschiedenen Laute und Lauttypen, deren Häufigkeiten und Kombinationen geht. Dabei ergeben sich jedoch durchaus auch über diesen engeren Bereich hinausgehende relevante Ergebnisse, die von den Autoren allerdings nicht weiter verfolgt werden. So analysieren sie z. B. alle Wörter aus dem Wörterbuch von V. I. Dal’ mit der orthographischen Endung -чик, bzw. -счик und -зчик (was in phonetischer Hinsicht den Endungen -чьк bzw. -щьк entspricht) im Hinblick auf die den Akzent tragenden Vokale. Es handelt sich dabei um insgesamt 694 Wörter, von denen die Autoren jeweils die Laute pro Wort zählen, und dies getrennt nach den einzelnen betonten Vokalen und insgesamt. Damit ergibt sich gleichzeitig auch eine Häufigkeitsverteilung der Wortlängen, die in Abb. 3.12 dargestellt ist. Unter Hinweis darauf, dass die Kurven unabhängig vom jeweils betonten Vokal ei-

nen überaus ähnlichen Verlauf aufweisen, der aufgrund der linksgipfligen Verschiebung eine deutliche Abweichung von einer Normalverteilung aufweist, haben Čistjakov/ Kramarenko (1929, 43) zum einen Kenngrößen wie Schiefe und Kurtosis angegeben; darüber hinaus haben sie auch versucht, den Kurvenverlauf mit der folgenden Formel zu modellieren, die sie als Typ III des PearsonSystems bezeichnen. Demnach würde die Formel wie folgt aussehen: y Z (1 C x / b)c $ eKγx

(8)

Allerdings lassen sich bei einer entsprechenden Re-Analyse weder mit dieser Formel noch mit der von Čistjakov/Kramarenko (1929, 43) dargestellten einigermaßen befriedigende Ergebnisse erzielen. Lediglich die Ergänzung um eine weitere (also vierte) Variable führt mit der sich dann ergebenden Formel y Z a $ (1 C x / b)c $ eKγx

(9)

2

zu einem guten Ergebnis (R Z 0,98). Ein ebenso gutes Ergebnis lässt sich allerdings auch mit einer sehr viel einfacheren Formel erzielen (vgl. Altmann 1980), nämlich y Z a $ x b eKcx

(10)

Das Ergebnis ist in der Abb. 3.13a dargestellt. Abgesehen davon, dass das Ergebnis der theoretischen Anpassung nicht wirklich befriedigend ist und sich de facto nur durch eine andere Kurve erfassen lässt als die beschriebene, würde man heute eher eine diskrete, keine stetige Verteilung an die Daten

3. Zur Vorgeschichte quantitativer Ansätze in der russischen Sprach- und Literaturwissenschaft

55

y-Achse

Fit Unified Derivation

x-Achse

Kontinuierliche Anpassung y = a . xb . e-cx

cist.dat. - Hyperpoisson

f (x)

Altmann Fitter 2.1

NP (x)

f (x), NP (x)

Diskrete Anpassung der Hyperpoisson-Verteilung Abb. 3.13a/b: Kontinuierliche und diskrete Anpassung von Wortlängenhäufigkeiten

anzupassen versuchen. Führt man eine solche Re-Analyse durch, so stellt sich dabei interessanterweise heraus, dass die zu diesem Zweck für die Verteilung russischer Wortlängenhäufigkeiten in letzter Zeit wiederholt herangezogene Hyperpoisson-Verteilung überaus gut geeignet ist, die spezifischen Daten von Čistjakov/Kramarenko zu modellieren (a Z 1,7847, b Z 0,0005; χ 52 Z 8,02, P Z 0,16). Weiterhin werden auch quantitative Fragen der Morphologie diskutiert: im Detail

analysiert wird unter anderem die relative Vorkommenshäufigkeit russischer Präpositionen, Suffixe und Präfixe, wobei deren Vorkommenshäufigkeiten zur Produktivität von Wurzelmorphemen in Beziehung gesetzt werden. Ebenfalls enthalten sind statistische Untersuchungen zur Vorkommenshäufigkeit verschiedener Wortarten. So werden u. a. diesbezügliche Angaben auf der Basis von ca. 25.000 Wortvorkommnissen angeführt, differenziert nach vier verschiedenen (historischen) Stiltypen, die in Bezie-

56 hung zu entsprechenden (weniger umfangreichen) Untersuchungen zum Französischen, Deutschen, Englischen und (Alt-)Hebräischen gestellt werden. Das Buch von Čistjakov/Kramarenko (1929) sollte eigentlich der erste von zwei geplanten Bänden sein K vorgesehen war ursprünglich auch ein zweiter, nie erschienener Band mit weiterführenden Untersuchungen zur Silbenstruktur, Syntax und Semasiologie. Doch auch das nur als erster Band geplante Buch von 1929 ist in der Folgezeit nahezu vergessen worden. Einer der beiden Autoren, Čistjakov, der Ende der 30er Jahre mit dem Slovar’ komedii „Gore ot uma“ A. S. Griboedova (Čistjakov 1939) das erste erklärende Wörterbuch dieser Art veröffentlichte, beschäftigte sich auch später noch bis in die 70er Jahre mit quantitativen Fragen wie etwa dem Verhältnis von Konsonanten und Vokalen in verschiedenen Sprachen (Čistjakov 1971; 1972a) oder dem Häufigkeitsvorkommen von Präpositionen (Čistjakov 1972b) K Fragen, die im Prinzip auch schon 1929 angesprochen und behandelt worden waren. Insofern wies Čistjakov (1964) vor dem Hintergrund der sich in den 60er Jahren in Russland zunehmend etablierenden Quantitativen Linguistik in einem Brief an die Redaktion der Zeitschrift Filologičeskie nauki mit ambivalent bedauernder Genugtuung auf die Ergebnisse seines 34 Jahre zuvor erschienenen Frühwerks hin. Deutlichere Töne ließ Čistjakov (1965) in einer akribischen Darstellung anklingen, in der er Passagen aus dem Werk von 1929 aktuellen Arbeiten von L. P. Zinder vergleichend gegenüberstellte, um zu belegen, dass Zinder sich in vielem auf die Arbeit dieses Werks stützte, ohne dies freilich angemessen kenntlich zu machen. Zinder hatte 1962 an der Universität Petersburg den ersten Lehrstuhl für Mathematik eingerichtet, und zwar an der 1958 ins Leben gerufenen Abteilung für Angewandte Linguistik.

Interessant ist allerdings, dass sich ab Mitte der 20er Jahre verstärkt auch FortunatovSchüler mit mathematischen Methoden in Anwendung auf Sprache und Literatur beschäftigten. So geht eine der ersten, immer wieder zitierten Lautstatistiken auf Peškovskij (1925) zurück, der sich schon zuvor (Peškovskij 1924) zur Frage von Prosa und Vers aus linguistischer Sicht geäußert hatte. Seine nachhaltig einflussreiche Studie „Zehntausend Laute“ entstand vor dem Hintergrund zahlreicher Arbeiten zum Problem der Lautinstrumentierung in poetischen Texten; die damit verbundenen Fragen zielten nach Peškovskij (1925, 167) entweder (a) auf die Dominanz oder (b) auf die Verteilung eines bestimmten Lautes bzw. einer Lautgruppe

I. Allgemeines / General

in einem gegebenen Text. Peškovskij (1925, 167) verstand seine Studie als einen Beitrag für eine objektive Grundlage entsprechender Untersuchungen. Als Material dienten ihm Aufzeichnungen mündlicher Rede, aufgeteilt in 10 Stichproben à 1000 Laute; diese Stichprobengrößen sah Peškovskij als hinreichend für die anzustrebende Konstanz der Ergebnisse an. Die Ergebnisse betrachtete Peškovskij (1925, 181) durchaus als über das Russische hinausgehend relevant, so den größeren Anteil von Vokalen im Vergleich zu den Konsonanten (bzw. der silbenbildenden Laute im Vergleich zu den nicht-silbenbildenden), der unbetonten Vokale im Vergleich zu den betonten, der kurzen und harten im Vergleich zu den langen und weichen, usw. Gerade in den konkreten Proportionen aber könne das Überwiegen der einen oder anderen Kategorie Unterschiede zwischen verschiedenen Sprachen, verschiedenen literarischen Sprachen oder verschiedenen literarischen Genres manifestieren. So habe z. B. eine Berechnung der ersten 1000 Laute aus Puškins Evgenij Onegin, Goethes Faust und Dantes Divina Commedia ergeben, dass der Anteil stimmloser Konsonanten im ersten Text ca. 20 %, im Faust ca. 24 %, und in der Divina Commedia ca. 18 % beträgt. Auf der einen Seite unterscheide sich also der klangliche Evgenij Onegin deutlich von der russischen gehobenen Umgangssprache, die mit 25,5 % geräuschvoller sei, auf der anderen Seite unterscheide sich die russische Sprache ebenfalls deutlich vom Deutschen und Italienischen K was Anlass zu analogen Berechnungen in weiteren Sprachen und Genres gebe. Ein weiterer unmittelbarer FortunatovSchüler war M. N. Peterson, der dann nicht nur Lehrer u. a. von G. O. Vinokur war, sondern z. B. auch von Vjačeslav Vs. Ivanov und Vladimir N. Toporov, die in den späten 50er und 60er Jahren maßgeblich an der Herausbildung von Semiotik und Strukturalismus beteiligt waren. Peterson war nach Absolvierung des Studiums an der Moskauer Universität dort seit 1919 als Professor tätig. Sein Schwerpunkt lag auf der vergleichend-historischen Grammatik der indoeuropäischen Sprachen, insbesondere Syntax und Morphologie. 1928 stellt er eine Studie zu „Konstruktionen mit der Präposition ,iz‘ bei Lermontov“ (Peterson 1928) an. De facto handelt es sich hierbei um die erste quantitative Untersuchung

3. Zur Vorgeschichte quantitativer Ansätze in der russischen Sprach- und Literaturwissenschaft

57

Tab. 3.12: Lautfrequenzen nach Peškovskij (1925)

zur russischen Syntax. Peterson zufolge lässt sich ein umfassendes Bild der russischen Syntax nur durch die detaillierte Beschreibung spezieller syntaktischer Erscheinungen erhalten; dies wiederum sei nicht ohne Kenntnis der Verbreitung dieser syntaktischen Phänomene möglich, was seinerseits die Anwendung statistischer Verfahren notwendig mache (Peterson 1928, 410). Nachdem er in der erwähnten Studie 579 Vorkommnisse der Präposition з in prosaischen und poetischen Texten von Lermontov untersucht und deren syntaktische Einbettung quantitativ bestimmt hatte, stellte sich für ihn abschließend die Frage nach einem synchronen und diachronen Vergleich, die sich wiederum eben durch die Methode der statistischen Beschreibung lösen lasse. Etwa zehn Jahre später erstellte Peterson (1936/37) eine zweite quantitative Studie, in der es um eine Analyse der russischen Satzstruktur ging. Peterson unterstellt dabei zunächst, dass ein Satz (a) aus einem einzigen Wort, (b) aus der Verbindung von zwei oder mehreren Wörtern, oder (c) aus der Verbindung von zwei oder mehreren Wortfügungen bestehen kann. Weiterhin ging er von der Annahme aus, dass der quantitative Bestand eines Satzes um so geringer sei, je einfacher, ungekünstelter die Rede sei, und ge-

langte so zu der Hypothese, dass die Satzstruktur in Hinsicht auf ihren quantitativen Bestand in Texten der Alltagssprache einfacher sei als in schriftlichen, literarischen Texten. Um diese Hypothese zu testen, verglich er den syntaktischen Bestand des Igorlieds [Slovo o polku Igoreve] mit demjenigen in Texten vorrevolutionärer Klassiker sowie in mündlichen Texten russischer Dorfbewohner. Im Ergebnis stellte sich heraus, dass 1-WortSätze in der mündlichen Rede (8 %) deutlich häufiger vorkommen als in den schriftlich-literarischen Texten (1,5 % bzw. 0,6 %). In der mündlichen Rede hingegen kamen syntaktische Strukturen in Form von Wortverbindungen deutlich häufiger vor (79 % im Intervall von 2 bis 5 Wörtern) als in den literarischen Texten (42 % bzw. 44,2 % im Intervall von 2 bis 20 Wörtern), während komplexere Verbindungen von Wortfügungen wiederum in der mündlichen Rede deutlich seltener vorkamen (13 % im Umfang von zwei bis vier Wortfügungen) als in den literarischen Texten (56,5 % bzw. 55,2 % im Umfang von zwei bis 10 Wortfügungen). Zusammenfassend hält Peterson (1936/37, 592) fest, dass die Syntax des Igorlieds als Syntax der Literatursprache synthetischen Charakters sei und insofern „Züge von großer Künstlichkeit“ (Peterson 1936/37, 592) trage.

58 Ein weiterer unmittelbarer FortunatovSchüler war der bereits erwähnte Kaukasiologe Nikolaj F. Jakovlev (1892K1974). Er veröffentlichte 1928 einen Aufsatz mit dem Titel „Eine mathematische Formel zur Konstruktion des Alphabets“ (Jakovlev 1928). Jakovlev, Gründungsmitglied des MLK, war aus der Fortunatov-Tradition hervorgegangen und hatte 1916 die Moskauer Universität abgeschlossen. Seine Arbeiten waren von großer Bedeutung für die Herausbildung der Moskauer Phonologischen Schule, als einer deren Mitbegründer er neben R. I. Afanesov, P. S. Kuznecov, V. N. Sidorov und A. M. Suchotin angesehen wird; gemeinsam mit N. S. Trubeckoj und R. O. Jakobson gilt er als einer der Begründer der strukturellen Phonologie. In der genannten Studie ging es um die Konstruktion eines wissenschaftlich begründeten Alphabets, d. h. um die Bestimmung des optimalen Verhältnisses zwischen der Graphem- und der Phonemzahl einer Sprache. Eine solche Frage hatte auch schon früher Baudouin de Courtenay (1912, 67) aufgeworfen, als er die Bestimmung des Zusammenhangs von Graphemen und Phonemen als Grundfrage einer Theorie der Graphik bezeichnet und erklärt hatte, dass der Zusammenhang in einer mathematischen Formel auszudrücken sei. Jakovlev (1928) ging in seiner Darstellung davon aus, dass es nicht ökonomisch sei, wenn eine Sprache ein Alphabet mit genau so vielen Graphemen wie vokalischen und konsonantischen Phonemen habe. Statt dessen sei es möglich und sinnvoll, das Grapheminventar zu reduzieren; dazu ging er von den folgenden Grundgrößen aus: A Anzahl der Zeichen des Alphabets (Inventarumfang) C Anzahl der (selbständigen) Konsonantenphoneme V Anzahl der (selbständigen) Vokalphoneme C# Anzahl der in einem bestimmten Merkmal voneinander verschiedenen konsonantischen Phonempaare V# Anzahl der in einem bestimmten Merkmal voneinander verschiedenen vokalischen Phonempaare Die quantitative Optimierung eines Grapheminventars (im Vergleich zum Phoneminventar) lässt sich nach Jakovlev dadurch erreichen, dass die Anzahl der Zeichen für die selbständigen Phoneme um die Diffe-

I. Allgemeines / General

renz zwischen den vokalischen und konsonantischen Phonempaaren reduziert wird. Das notwendige Grapheminventar lässt sich nach Jakovlev somit nach der folgenden Formel berechnen, die er als „maximal ökonomische Konstruktionsformel“ bezeichnete: A Z (C C V) K (G C# G V#) C 1

(11)

In Anwendung auf das Russische erhält man nach Jakovlev die folgenden Daten: (1) Die selbständigen Konsonanten und Vokale belaufen sich auf C Z 33 bzw. V Z 5. (2) In die Berechnung von C# gehen die harten und weichen Konsonanten ein, die sich durch das Merkmal der Palatalisierung voneinander unterscheiden; da Jakovlev sich bei der Behandlung von g-g#, k-k# sowie x-x# nicht sicher war, bezifferte er C#Z 12 (b-b#, v-v#, d-d#, z-z#, f-f#, p-p#, r-r#, s-s#, t-t#, l-l#, m-m#, n-n#). (3) Unter der Annahme, dass die Buchstaben и und ы Varianten ein und desselben Phonems bezeichnen und dass das Phonem /e/ nur jeweils einem der beiden Glieder der 12 C#-Paare folgen kann, ergibt sich V# Z 4 (a, i, o, u). (4) Die zusätzliche C 1 am Ende der Formel soll für ein graphematisches Zeichen stehen, das dann ins Spiel kommt, wenn der zu bezeichnende Konsonant nicht von einem Vokal gefolgt wird, d. h. also, wenn dieser Konsonant vor einem anderen Konsonanten innerhalb eines Wortes oder aber am Ende eines Wortes steht; konkreter geht es um den Ausdruck der Palatalität von Konsonanten vor anderen Konsonanten bzw. am Wortende, d. h. um das Weichheitszeichen ь. Somit ergibt sich für das Russische: Aruss Z (33 C 5) K (12 K 4) C 1 Z 31. Nach Jakovlev sollte also ein phonemisches Alphabet für das Russische mit 31 Zeichen, d. h. mit einem im Vergleich zum Phoneminventar von 38 Phonemen um sieben Zeichen geringeren Grapheminventar auskommen. Interessanterweise ergibt sich dasselbe Ergebnis, wenn man auch g-g#, k-k#, x-x# zu den paarigen Konsonantenphonemen zählt, allerdings auf Basis einer anderen Berechnung: A Z (36 C 5) K (15 C 4) C 1 Z 31. Diese Anzahl darf allerdings, wie auch Kempgen (1995, 18) zu Recht bemerkt, nicht als verbindlich angesehen werden, da sie aus

3. Zur Vorgeschichte quantitativer Ansätze in der russischen Sprach- und Literaturwissenschaft

verschiedenen Gründen in Frage zu stellen ist; die wichtigsten Einwände dürften die beiden folgenden sein: (1) Berücksichtigt wird von Jakovlev nur eine einzige Sprachebene, nämlich der Inventarumfang des Alphabets K dass dieser Inventarumfang sich innerhalb einer strukturell bzw. synergetisch gedachten Konzeption auf andere sprachliche Einheiten (Wortlänge) mit ihren eigenen Systembedürfnissen auswirkt, bleibt also unberücksichtigt; (2) Graphem- und Lautebene werden nicht konsequent unterschieden K sonst wäre neben der Palatalitätskorrelation auch diejenige von Stimmhaftigkeit/ Stimmlosigkeit zu berücksichtigen (gewesen). Die Frage nach der Konstruktion von Alphabeten stand in den 20er Jahren in einem ganz konkreten kulturpolitischen Kontext: In Folge der Oktoberrevolution von 1917 und den anschließenden (nicht zuletzt ideologisch motivierten) Alphabetisierungsbestrebungen standen Fragen der Schrift wiederholt im Vordergrund K sei es im Hinblick auf erstmalige Verschriftlichung von Sprachen der expandierenden UdSSR, die modernisierende Modifikation schon vorhandener Schriftsprachen, oder deren akkultivierende Unifizierung. Nachdem 1922 auf Initiative der aserbaidsanischen Sowjetrepublik ein Komitee des Neuen Türkischen Alphabets [Komitet novogo tjurskogo alfavita / NTA] gegründet worden war, und nachdem 1923 das zuvor geschaffene lateinische Alphabet als „staatlich und obligatorisch“ deklariert worden war, fand 1926 in Baku der 1. Turkologische Allunionskongress statt. Auf diesem Kongress hatte Jakovlev seinen zwei Jahre später veröffentlichten Beitrag als zentralen Vortrag gehalten, den er im übrigen explizit als Beitrag zur Angewandten Linguistik bzw. zu einer Theorie der Angewandten Linguistik bezeichnet hatte. Auf dem Kongress in Baku wurde auch das Zentralkomitee des Neuen Türkischen Alphabets [Central’nyj komitet novogo tjurskogo alfavita / CK NTA] gegründet, das 1929 in Allunions-Zentralkomitee des Neuen Alphabets (VCK NA) beim Präsidium des Sowjets der Nationalitäten des Zentralen Exekutivkomitees der UdSSR umbenannt wurde. Auch beim (damals noch von A. A. Lunačarskij geleiteten) Volkskommissariat für

59

Bildung war eine Subkommission unter dem Vorsitz von Jakovlev eingesetzt worden, deren Ziel die Latinisierung des russischen Alphabets war. Ein ähnliches Schicksal erlebte auch die Redaktionskommission zur Erarbeitung von Vorschlägen bezüglich einer Reform der russischen Orthographie [Redakcionnaja kommissija po predloženijam o reforme russkoj orfografii] beim Wissenschaftlichen Forschungsinstitut für Sprachwissenschaften [NIJaz]. Die Arbeit dieser Kommission, der u. a. A. A. Reformatskij, V. N. Sidorov, A. M. Suchotin angehörten, wurde wegen der vermeintlichen Radikalität der unterbreiteten Vorschläge (wie etwa der Einführung des Buchstaben j ins russische Alphabet) gestoppt. Hintergrund dieser Eingriffe war letztendlich der Stalin’sche Schwenk weg von der internationalistischen Idee hin zur russisch dominierten Revolution in einem Lande. Reformatskij war im Übrigen auch Vorsitzender einer erfolgreicheren Kommission, der sog. UFT-Kommission (Kommission zur Herausarbeitung einer unifizierten phonetischen Transkription), die von 1929 bis 1931 am Wissenschaftlichen Forschungsinstitut der Vereinigung der staatlichen Verlage [NII Ogiz] unter Mitarbeit von Peterson, Vinokur u.a wirkte. Aleksandr A. Reformatskij (1900K1978), der u. a. bei Peterson und Ušakov studiert hatte, war zu Beginn der 20er Jahre aktives Mitglied bei Opojaz und MLK gewesen und hatte in diesem Zusammenhang u. a. strukturelle Analysen von Literatur und Musik vorgelegt. Die Arbeit an der Orthographiereform bezeichnete er, ähnlich wie Jakovlev, explizit als „angewandte Tätigkeit“. Am NIJaz arbeitete übrigens auch Pёtr S. Kuznecov (1899K 1968), ein Jugendfreund des bedeutenden Mathematikers Andrej N. Kolmogorov (1903K1987). Zusammen mit dessen Schüler V. A. Uspenskij und Vjač. Vs. Ivanov sollte Reformatskij 1956 dann an der Moskauer Universität das erste Seminar zur mathematischen Linguistik in der UdSSR anbieten (Некоторые применения математических методов исследования в языкознании), und gemeinsam mit Kuznecov und A. A. Ljapunov (1911K73), ebenfalls Kolmogorov-Schüler (und Leiter des sich seit ca. 1954 mit Fragen der Sprachstatistik beschäftigenden Steklov-Instituts für Mathematik an der AN SSSR), sollte er 1956 in Voprosy jazykoznanija den programmatischen Artikel „Grundprobleme der maschinellen Übersetzung“ zur Diskussion bringen. Reformatskij, zu dessen Schülern u. a. T. M. Nikolaeva und R. M. Frumkina gehörten, war von 1958K70 dann Leiter des Sektors für strukturelle und angewandte Linguistik an der AN der UdSSR.

60 Von dieser Gruppe wurde wesentlich der Vserossijskij s’ezd po reforme orfografii 1931 vorbereitet, an dem noch Marristen und Etymologisten gemeinsam teilnahmen und diskutierten. Ebenfalls in diesem Kontext sind zahlreiche Arbeiten des bereits erwähnten E. D. Polivanov anzusiedeln. Polivanov, Schüler von Baudouin und Ščerba (selbst Schüler von Baudouin), studierte in Petersburg (1908K1912) und war Teilnehmer an den frühen Aktivitäten des Opojaz. Während und nach der Revolution engagierte er sich politisch in der russischen KP und wurde in den 20er Jahren zu einem der wichtigsten Sprachwandeltheoretiker. In Anlehnung an Baudouins Unterscheidung von äußeren und inneren Kräften als Einflussfaktoren auf den Sprachwandel trennte Polivanov strikt zwischen äußeren und inneren Gesetzen der Sprachentwicklung und dem unmittelbaren Einfluss sozialer Faktoren auf die Sprache. Gerade letzterer wurde jedoch zunehmend von dem immer mehr Einfluss nehmenden sog. Marrismus verabsolutiert: Der Schöpfer dieser sog. Neuen Lehre des Marrismus, Nikolaj Ja. Marr (1864K1934), vertrat, ebenso wie nach seinem Tode sein wichtigster Nachfolger (Ivan I. Meščaninov, 1883K1967), die Auffassung, dass Entstehung und Entwicklung von Sprache in unmittelbarer Abhängigkeit von den (jeweiligen) sozio-ökonomischen Verhältnissen zu sehen sei, so dass sich je nach sozio-ökonomischer Entwicklungsstufe einer Gesellschaft auch die typologische Struktur einer Sprache ändere K der klassenhafte Charakter der Sprache wurde so mit einer Stadialtheorie der Sprache (in Anlehnung an die Stadialtheorie der Gesellschaftsentwicklung) verknüpft. Es liegt auf der Hand, dass diese Konzeption weniger durch wissenschaftliche Überzeugungskraft als vielmehr aufgrund der politischen Aktivität ihrer Anhänger zur herrschenden Doktrin und zu einem unantastbaren Dogma der 30er und 40er Jahre werden konnte. Dabei war der Marrismus K natürlich K extrem empiriefern bzw. empiriefeindlich; entsprechende Forschungen wurden vollständig unterdrückt und bekämpft. Der Streit um die vermeintlich wahre marxistische Sprachwissenschaft wurde zunehmend politisiert, bis hin zur persönlichen Denunzierung der ideologischen (!) Gegner. Die Gefahr dieser Tendenz wurde durchaus schon Mitte der 20er Jahre gesehen; so hatte z. B. der

I. Allgemeines / General seit 1922 in Wien lebende und lehrende, als Porzeziński-Schüler ursprünglich in der Tradition der Moskauer Schule stehende Nikolaj S. Trubeckoj (1890K1938) unmittelbar nach der Lektüre von Marrs Aufsatz „O jafetičeskoj teorii“ (1924) am 6.11.1924 an Jakobson geschrieben: „Der Aufsatz von Marr übersteigt das Maß dessen, was er bis jetzt geschrieben hat . Ich bin fest davon überzeugt, daß eine kritische Besprechung dieses Aufsatzes nicht von einem Linguisten, sondern von einem Psychiater gemacht werden müßte. Zum Schaden für die Wissenschaft ist Marr noch nicht verrückt genug, um in eine Anstalt gesperrt zu werden, aber mir ist klar, daß er verrückt ist.“ (Jakobson 1977, 281). In Trubetzkoys 1939 erschienener Einführung in die Phonologie (Trubetzkoy 1939) ist im übrigen ein ganzes Kapitel mit dem Titel „Zur phonologischen Statistik enthalten“, in der er nicht nur zwischen der Statistik der Buchstaben, der Laute und der Phoneme sowie Phonemverbindungen differenzierte, sondern auch Angaben zu Vorkommenshäufigkeiten von (in der Anzahl der Silben pro Wort berechneten) Wortlängen machte. K Im hier gegebenen Zusammenhang würde es allerdings zu weit führen, auch quantitativen Arbeiten von aus Russland bzw. aus der UdSSR Emigrierten nachzugehen, was in gleicher Weise für Jakobson und andere gilt.

Das betraf K neben anderen Sprachforschern wie Peškovskij, Peterson, Ščerba, Ušakov, u. a. K auch und gerade Polivanov, der mehr als 20 Jahre aktiv in die Frage der Latinisierung des Alphabets involviert war. 1927 zum Vorsitzenden der Linguistischen Sektion des Instituts für Sprache und Literatur (RANION) ernannt, nahm er u. a. auch an dem oben genannten Kongress in Baku teil und wurde 1928 in den Wissenschaftlichen Rat des CK NTA aufgenommen. Nachdem Polivanov sich schon 1929 in einem Vortrag mit dem Titel „Das Problem einer marxistischen Sprachwissenschaft und die japhetitische Theorie“ kritisch mit dem Marrismus auseinandergesetzt hatte, enthielt auch sein K in einem Sammelband mit dem Titel Für eine marxistische Sprachwissenschaft 1931 veröffentlichter K Aufsatz „Auch die Mathematik kann nützlich sein“ (Polivanov 1931) entsprechende methodologische Kritik. Durchaus eingestehend, dass die Mathematik nicht gerade seine Disziplin sei, räumte Polivanov statistischen Methoden wichtige Funktionen in drei Bereichen der Sprachwissenschaft ein: (1) in der Experimentalphonetik (2) in der dialektologischen Statistik (3) in der Etymologie.

3. Zur Vorgeschichte quantitativer Ansätze in der russischen Sprach- und Literaturwissenschaft

Insbesondere im Bereich der Etymologie war der Konflikt mit dem Marrismus vorprogrammiert, ging dieser doch im Rahmen seiner sog. Vier-Elemente-Theorie davon aus, dass alle Wörter sämtlicher Sprachen der Erde auf vier Wurzeln (*sal, *ber, *jonb, *roš) zurückgeführt werden können: Einen wahrscheinlichkeitstheoretischen Ansatz sowohl auf die centum-çatám-Frage als auch allgemein auf das Prinzip des japhetidologischen Ansatzes bei der etymologischen Rekonstruktion anwendend, kam Polivanov (1931) zu der Schlussfolgerung, „dass die gegebene marr’sche Etymologie offenkundig unrichtig ist“ (Polivanov 1931, 294). Seither hatte Polivanov zunehmend Schwierigkeiten, seine Arbeiten zu publizieren; 1937 wurde er verhaftet, 1938 zum Tode verurteilt und erschossen. Erst 1963 wurde er vollständig rehabilitiert. Die sowjetische Sprachwissenschaft jedoch war seit den 30er Jahren großteils von der internationalen Linguistik isoliert. Als Stalin selbst 1950 mit seiner Abhandlung Marxismus und Fragen der Sprachwissenschaft in die Diskussion eingriff und den Marrismus als falsch verurteilte, befreite er zwar die sowjetische Sprachwissenschaft von dem einen Dogma, schuf aber gleichzeitig ein neues, indem er jegliche soziologisch bedingte Heterogenität der Sprache kategorisch ablehnte. So wurde erst nach seinem Tod (1954) bzw. nach dem XX. Parteitag der KPdSU (1956) prinzipiell eine Neu-Diskussion der „Aktuellen Aufgaben der sowjetischen Sprachwissenschaft“ möglich, bei der insbesondere im Zusammenhang mit der sog. Strukturalismus-Diskussion von 1957 auch quantitativen Methoden eine neue Entfaltungsmöglichkeit eingeräumt wurde (vgl. Art. Nr. 4).

4.

Resümee

61

(2) die (Vor-)Geschichte der Anwendung quantitativer Verfahren auf Sprache und Literatur weist in der russischen Tradition einen Reichtum an Arbeiten auf, wie er andernorts in dieser Vielfalt kaum zu beobachten ist; (3) nicht zuletzt aufgrund der Vielfalt der seit Ende des 19., insbesondere Anfang des 20. Jh.s geleisteten Arbeiten sind in der russischen Sprach- und Literaturwissenschaft Grundlagen für quantitative Untersuchungen gelegt worden, die einen Bezugs- und Anknüpfungspunkt für spätere Untersuchungen darstellen, wie sie auf internationaler Ebene ab Mitte der 50er Jahre die sich dann herausbildende quantitative Linguistik und quantitative Stilistik charakterisieren; (4) aufgrund der äußeren Umstände stellt die russische Tradition keine gradlinige Entwicklung dar; sie weist zwar inhaltliche und personelle Kontinuitäten auf, ist aber ebenso von Schwankungen und Kontinuitätsbrüchen gekennzeichnet, im Zusammenhang mit denen verlorenes Terrain immer wieder neu erarbeitet werden musste. Die sich aus der historischen Darstellung ergebenden Fakten und Zusammenhänge lassen bestimmte Entwicklungen und gegenwärtige Trends in einem deutlicheren Licht erscheinen K sie weisen aber auch auf die Notwendigkeit hin, die historiographische Archäologie quantitativer Verfahren in Sprach- und Literaturwissenschaft weiterhin zu vertiefen.

5.

Literatur (in Auswahl)

Altmann, Gabriel (1980), Prolegomena to Menzerath’s Law. In: Glottometrika 2. (Hrsg. R. Grotjahn). Bochum: Brockmeyer, 1K10.

Aus der obigen Darstellung ergeben sich eine Reihe von Befunden, Schlussfolgerungen und Perspektiven, die sich im Wesentlichen wie folgt resümieren lassen:

Baudouin de Courtenay, Jan (1877), Otčety komandirovannago Ministerstvom Narodnago Prosveščenija za granicu s učenoju celju I. A. Boduėnade-Kurtenė o zanjatijach po jazykovedeniju v tečenie 1872 i 1873 gg. Kazan’.

(1) Die Anwendung quantitativer Verfahren bezieht sich in Russland seit den ersten, ab Mitte des 19. Jh.s entstandenen Arbeiten nie nur auf den engeren Bereich der Sprache bzw. Sprachwissenschaft, sondern von jeher gleichermaßen auch auf den Bereich der Literatur(wissenschaft);

Baudouin de Courtenay, Jan (1909), Zarys historiji językoznawstwa czyli lingwistyki (glottologiji). Warszawa. Baudouin de Courtenay, Jan (1912), Ob otnošenii russkago pis’ma k russkomu jazyku. S.-Peterburg. Baudouin de Courtenay, Jan (1927), Ilościowość w myśleniu językowym. In: Symbolae Grammaticae in honorem Joannis Rozwadowski, t. 1. Kra-

62 ków, 1929, 3K18. [Zit. n.d. russ. Übersetzung: Količestvennost’ v jazykovom myšlenii. In: Boduėn de Kurtene, I. A. (1963), Izbrannye trudy po obščemu jazykoznaniju. Tom II. Moskva, 311K324.] Belyj, Andrej (1910), Simvolizm. Moskva. [Repr.: München, 1969] Belyj, Andrej (1929), Ritm kak dialektika, Moskva. [Repr.: Chicago 1968] Bem, Al’fred L. (1918/21), K ujasneniju istorikoliteraturnych ponjatij. In: Izvestija otdelenija russkogo jazyka i slovesnosti Rossijskoj akademii nauk, XXIII/1, 225K245. Bobrik, A. A. (1921), Nemnogo matematiki v teorii slovesnosti. Gel’singfors. Bobrov, Sergej P. (1915), Novoe o sticholoženii Puskina. Moskva. Bobrov, Sergej P. (1916), Zapiski stichotvorca. Moskva. [Repr.: Letchworth (GB), 1973] Bobrov, Sergej P. (1921), [Rez.:] G. Šengeli, Traktat o stiche. Odessa, 1921. In: Pečat’ i revoljucija 3, 268K269. Bobrov, Sergej P. (1964a), Opyt izucenija vol’nogo sticha Puškinskich „Pesen zapadnych slavjan“. In: Teorija verojatnostej i ee primenenija, IX/2, 262K 272. Bobrov, Sergej P. (1964b), K voprosu o podlinnom stichotvornom razmere puškinskich „Pesen zapadnych Slavjan“. In: Russkaja literatura 3, 119K 137. Bobrov, Sergej P. (1965), Tesnota stichovogo rjada (Opyt statističeskogo analiza literaturovedčeskogo ponjatija, vvedennogo Ju. N. Tynjanovym). In: Russkaja literatura 3, 109K124. Bobrov, Sergej P. (1967), Russkij toničeskij stich s ritmom neopredelennoj četnosti i var’irujuščej sillabikoj. In: Russkaja literatura 3, 42K64. Bogorodickij, Vasilij A. (1908), Osnovy arifmetičeskogo sčeta. Kazan’. Bogorodickij, Vasilij A. (1935), Obščij kurs russkoj grammatiki (iz universiteskich čtenij). Moskva. Budilovič, Anton S. (1883), Načertanie cerkovnoslavjanskoj grammatiki primenitel’no k obščej teorii russkago i drugich rodstvennych jazykov. Varšava. Bunjakovskij, V. Ja. (1847), O vozmožnosti vvedenija opredelitel’nych mer doverija k rezul’tatam nekotorych nauk nabljudatel’nych i preimuščestvenno statistiki. In: Sovremennik IIII/2, 36K49. Černyševskij, Nikolaj G. (1906a), [Rez.:] Sočinenija Puškina. In: Polnoe sobranie sočinenij. Tom I: Kritika i bibliografija. (Hrsg. N. G. Černyševskij). Sankt Peterburg, 1906, 245K330. [1. Aufl. 1855] Černyševskij, Nikolaj G. (1906b), [Rez.:] Grammatičeskija zametki. In: Polnoe sobranie sočinenij. Tom I: Kritika i bibliografija. (Hrsg. N. G. Černyševskij). Sankt Peterburg, 1906, 359K364. [1. Aufl. 1855]

I. Allgemeines / General Čistjakov, Vasilij F. (1939), Slovar’ komedii „Gore ot uma“ A. S. Griboedova. Smolensk. Čistjakov, Vasilij F. (1964), Pis’mo v redakciju. In: Filologičeskie nauki 2, 208K209. Čistjakov, Vasilij F. (1965), K istorii primenenija statističeskich metodov v jazykoznanii. Voronež. Čistjakov, Vasilij F. (1971), Častoti glasnych i soglasnych v jazykach raznych sistem. In: Slavia. Časopis pro slovanskou filologii 40, 204K205. Čistjakov, Vasilij F. (1972a), Častotnosti glasnych i soglasnych v 50 jazykach raznogo grammatičeskogo stroja. In: Lingua Posnaniensis 16, 45K48. Čistjakov, Vasilij F. (1972b), Predlogi v russkom jazyke. In: Materialy po russko-slavjanskomu jazykoznaniju. Voronež, 171K179. Čistjakov, Vasilij F./Kramarenko, B. K. (1929), Opyt priloženija statističeskogo metoda k jazykoznaniju. Vyp. I. Krasnodar. Čudovskij, Valerian (1914), O ritme puškinskoj „Rusalki“ (Otryvok). In: Apollon 1K2, 108K121. Čudovskij, Valerian (1915), Neskol’ko myslej k vozmožnomu učeniju o stiche (s primernym, razborom stichosloženija v I glave „Evgenija Onegina“). In: Apollon 7K8, 55K95. Čudovskij, Valerian (1917), Neskol’ko utverždenij o russkom stiche. In: Apollon 4K5, 58K69. Denisov, Ja. (1888), Osnovy metriki u drevnich grekov i rimljan. Moskva. Dikarev, Mitrofan A. (1891), Voronežski ėtnograficeskij sbornik. Voronež. Erlich, Viktor (1973), Russischer Formalismus. Frankfurt/M.: Suhrkamp. [1. Aufl. 1955] Ermolenko, Georgij V. (1974), O prologe k komedii A. S. Griboedova „Gore ot uma“. In: Voprosy statističeskoj stilistiki. Kiev, 251K262. Förstemann, Ernst (1846), Über die numerischen Lautverhältnisse im Deutschen. In: Germania. Herausgegeben von der Berlinischen Gesellschaft für deutsche Sprache und Altherthumskunde 7, 83K90. Förstemann, Ernst (1852), Numerische Lautverhältnisse im Griechischen, Lateinischen und Deutschen. In: Germanische Zeitschrift für Vergleichende Sprachforschung auf dem Gebiete des Deutschen, Griechischen und Lateinischen 1, 163K179. Fortunatov, Filipp F. (1956), Sravnitel’noe jazykovedenie Obščij kurs. In: Izbrannye trudy. Tom I. (Hrsg. F. F. Fortunatov). Moskva, 21K197. Frumkina, Revekka M. (1987), Moj učitel’ A. A. Reformatskij. In: Znanie K sila 7, 78K82. Gornfel’d, Arkadij (1922), Chudožestvennoe slovo i naučnaja cifra. In: Literaturnaja mysl 1, 163K170. Grzybek, Peter (1989), Studien zum Begriff der sowjetischen Semiotik (Moskauer und Tartuer Schule). Bochum: Brockmeyer.

3. Zur Vorgeschichte quantitativer Ansätze in der russischen Sprach- und Literaturwissenschaft Grzybek, Peter (1999), Sowjetische und russische Konzepte der Semiotik. In: Handbuch der sprachwissenschaftlichen Russistik und ihrer Grenzdisziplinen. (Hrsg. H. Jachnow). Wiesbaden: Harrassowitz, 1274K1305. Grzybek, Peter (2003), Viktor Ja. Bunjakovskij (1804K1889) K A Forerunner of Quantitative Linguistics in Russia. In: Glottometrics 6, 103K106. Grzybek, Peter (2004), Nikolaj Gavrilovič Černyševskij (1828K1889) K A Forerunner of Quantitative Stylistics in Russia. In: Glottometrics 7, 91K93. Grzybek, Peter/Kelih, Emmerich (2003), Graphemhäufigkeiten (Am Beispiel des Russischen). Teil I: Methodologische Vor-Bemerkungen und Anmerkungen zur Geschichte der Erforschung von Graphemhäufigkeiten im Russischen. In: Anzeiger für Slavische Philologie 31; 131K162. Grzybek, Peter/Kelih, Emmerich (2004), Anton Semënovič Budilovič (1846K1908) K A Forerunner of Quantitative Linguistics in Russia? In: Glottometrics 7, 94K100. Grzybek, Peter/Kelih, Emmerich/Altmann, Gabriel (2004), Graphemhäufigkeiten. Teil II: Theoretische Modelle der Häufigkeitsverteilung (mit einer empirischen Untersuchung russischer Graphemhäufigkeiten). In: Anzeiger für Slavische Philologie 32, 25K54. Hansen-Löve, Aage (1978), Der russische Formalismus: Methodologische Rekonstruktion seiner Entwicklung aus dem Prinzip der Verfremdung. Wien: Verlag der Österr. Akademie der Wiss. Jakobson, Roman O. (1977), Autobiographische Notizen von N. S. Trubetzkoy. In: Grundzüge der Phonologie. (Hrsg. N. S. Trubetzkoy) 6. Aufl. Göttingen: Vandenhoeck & Ruprecht, 273K288. Jakovlev, Nikolaj F. (1928), Matematičeskaja formula postroenija alfavita. In: Kul’tura i pis’mennost’ Vostoka, kn. I. Moskva, 41K64. [Repr.: Reformatskij, A. A. (Hrsg.), Iz istorii otečestvennoj fonologii. Moskva, 1970, 123K148]. Kaeding, Friedrich W. (1897/98), Häufigkeitswörterbuch der deutschen Sprache. Berlin-Steglitz: Selbstverlag. Kagarov, Evgenij (1922), O ritme russkoj prozaičeskoj reči. In: Nauka na Ukraine 4, 324K332. Kempgen, Sebastian (1995), Russische Sprachstatistik. Systematischer Überblick und Bibliographie. München: Sagner. Kempgen, Sebastian (1999), Quantitative Aspekte. In: Handbuch der sprachwissenschaftlichen Russistik und ihrer Grenzdisziplinen. (Hrsg. H. Jachnow). Wiesbaden: Harrassowitz, 525K550. Kopeckij, Leontij (1931), [Rez.:] Čistjakov, V. F./ Kramarenko, B. K. (1929): Opyt priloženija statističeskogo metoda k jazykoznaniju. Krasnodar. In: Slavia 10, 169K171.

63

Kudrjavskij, Dmitrij (1909), K statistike glagol’nych form v Lavrent’evskoj letopisi. In: Izvestija otdelenija russkago jazyka i slovesnosti Imperatorskoj Akademii Nauk, t. XIV, č 2, 49K56. Kudrjavskij, Dmitrij (1911), K istorii russkago prošedšago vremeni. In: Russkij filologičeskij vestnik LXV, 119K139. Kudrjavskij, Dmitrij (1912), Drevne-russkija pričastija nastojaščago vremeni dejstvitel’nago zaloga na -a. In: Russkij filologičeskij vestnik LXVIII, 119K139. Kunickij, V. N. (1894), Jazyk i slog komedii „Gore ot uma“. Kiev. Luk’janov, S. M. (1914), „Angel’ smerti“ gr. A. A. Goleniščeva-Kutuzova. In: Žurnal ministerstva narodnago prosveščenija XLIX, 316K352. Markov, Andrej A. (1913), Primer statističeskogo izsledovanija nad tekstom „Evgenija Onegina“ illjustrirujuščij svjaz’ ispytanij v cep’. In: Izvestija Imperatorskij Akademii Nauk / Bulletin de l’Académie Impériale des Sciences de St.-Pétersbourg, ser. VI, t. 7, no. 3, 153K162. Markov, Andrej A. (1916), Ob odnom primenenii statističeskogo metoda. In: Izvestija Imperatorskoij Akademii Nauk / Bulletin de l’Académie Impériale des Sciences, ser. VI, t. 10, no. 4, 239K242. Morozov, Nikolaj A. (1915), Lingvističeskie spektry. In: Izvestija otdelenija russkago jazyka i slovesnosti imperatorjskoj akademii nauk XX(1K4), 95K127. Nedobrovo, N. V. (1912), Ritm, metr i ich vzaimootnošenie. In: Trudy i dni 2, 14K23. Ol’chin, P. (1907), Pervaja opora pri postroenii racional’noj stenografii. In: Stenograf. Ežemesjačnyj žurnal, posvjaščennyj voprosam naučnoj i praktičeskoj stenografii, no. 4K5, 114K118. Ondar, Kh. O. (Hrsg.), The Correspondence Between A. A. Markov and A. A. Chuprov on the Theory of Probability and Mathematical Statistics. New York u. a: Springer, 1981. Papp, Ferenc (1966), Mathematical Linguistics in the Soviet Union. London u. a.: Mouton. Peškovskij, Aleksamdr M. (1914), Russkij Sintaksis v naučnom osveščenii. Moskva, 51935. Peškovskij, Aleksandr M. (1924), Stichi i proza [s lingvističeskoj točki zrenija]. In: Svitok. Al’manach 3. Moskva/Leningrad, 197K223. Peškovskij, Aleksandr M. (1925), Desjat’ tysjač zvukov. (Opyt zvukovoj charakteristiki russkogo jazyka, kak osnovy dlja eufoničeskich issledovanij). In: Metodika rodnogo jazyka, lingvistika, stilistika poėtika. Sbornik statej. (Hrsg. A. M. Peškovskij). Leningrad/Moskva, 167K191. Peterson, Michail N. (1928), Konstrukcii s predlogom „iz“ u Lermontova. In: Sbornik statej v čest’ akademika Alekseja Ivanoviča Sobolevskogo. Leningrad, 410K412. [Z Sbornik otdelenija russkogo jazyka i slovesnosti 101, 3]

64 Peterson, Michail N. (1936/37), Sintaksis „Slova o polku Igoreve“. In: Slavia. Časopis pro slovanskou filologii 14, 547K592. Polivanov, Evgenij D. (1931), I matematika možet byt’ poleznoj. In: Za marksistkoe jazykoznanie. Moskva, 173K181. [Repr.: Stat’i po obščemu jazykoznaniju. Moskva, 287K294.] Proskurnin, N. (1933), Podsčety častoty liter i komplektovka šrifta. In: Revoljucija i pis’mennost’. Sbornik I. Moskva-Leningrad, 72K82. Schleicher, August (1852), Die Formenlehre der kirchenslawischen Sprache, erklärend und vergleichend dargestellt. Bonn: König. Setnickij, Nikolaj (1922), Statistika, literatura i poėzija. K voprosu o plane issledovanija. Odessa. Setnickij, Nikolaj (1923), Statistika, literatura i poėzija. K voprosu o plane issledovanija. Odessa. Steiner, Peter (1984), Russian Formalism. A Metapoetics. Ithaca/London: Cornell University Press. Struve, Petr B. (1918), Kto pervyj ukazal na primenenie statistiki k filologičeskim izsledovanijam? In: Izvestija Rossijskoj Akademii Nauk [Bulletin de l’Académie des Sciences de Russie], t. XII, VI ser., no. 12K18, čast’ 2, 1317K1318. Ščerbina, Fedor A. (1925), Statistika. Istorija statistiki i statističnich ustanov. Praga. Šengeli, Georgij (1918), Dva „Pamjatnika“. Sravnitel’nyj razbor ozaglavlennych ėtim imenem stichtvorenij Puškina i Brjusova. Petrograd. Šengeli, Georgij (1923), Traktat o russkom stiche. Moskva, 11921. Šengeli, Georgij (1940), Technika sticha. Moskva, ²1960. Tomaševskij, Boris V. (1916a), [Rez.:] S. Bobrov (1915), Novoe o stichoslozenii A. S. Puskina. Moskva. In: Apollon 10, 72K74. Tomaševskij, Boris V. [1916b](1990), Pis’ma B. V. Tomaševskogo k S. P. Boborvu. [Publikacija, vstupitel’naja stat’ja i primečanija K. Ju. Postoutenko]. In: Pjatye Tynjanovskie čtenija. Riga, 133K148. Tomaševskij, Boris V. (1917), Ritmika četyrechstopnogo jamba po nabljudenijam nad stichom „Evgenija Onegina“. In: Tomaševskij 1929, 94K137. Tomaševskij, Boris V. (1918a), Statistika kratkosti povrežedenij telegrafnych provodov. In: Počtovo-

I. Allgemeines / General telegrafnyj žurnal 5K8 [čast’ neoficial’naja], 33K44. Tomaševskij, Boris V. [1918b](1977), O šestistopnom jambe u Puškina. In: Trudy po znakovym sistemam 9. Tartu, 103K112. Tomaševskij, Boris V. (1919a), Statistika počt i telegrafov v svjazi s novymi zadačami gosudarstvennogo stroitel’stva. In: Proletarij svjazi 1, 23K24. Tomaševskij, Boris V. (1919b), Pjatistopnyj jamb Puškina. In: Tomaševskij 1929, 138K253. Tomaševskij, Boris V. (1920), Ritm prozy. In: Tomaševskij 1929, 254K318. Tomaševskij, Boris V. (1922), [Rez.:] Bobrik, A. A. (1921), Nemnogo matematiki v teorii slovesnosti. Gel’sinfgors. In: Kniga i revoljucija 3/15, 84. Tomaševskij, Boris V. (1923a), Problema stichotvornogo ritma. In: Literaturnaja mysl 2, 124K 140. [Repr in.: Tomaševskij, Boris V. (1929), O stiche. Leningrad, 3K36.] Tomaševskij, Boris V. (1923b), Russkoe stichosloženie. Petrograd. [Repr. München: Fink, 1971] Tomaševskij, Boris V. (1923b), [Rez.:] Šengeli, G. A. (1921), Traktat o russkome stiche. Odessa. [2. Aufl. 1923]. In: Kniga i revoljucija, 1/25, 51K 52. Tomaševskij, Boris V. (1924), Valerij Brjusov kak stichoved. In: Tomaševskij 1929, 319K325. Tomaševskij, Boris V. (1929), O stiche. Leningrad. [Repr.: München: Fink, 1970] Tomson, Aleksandr I. (1910), Obščee jazykoznanie. Odessa. Trubetzkoy, Nikolaj S. (1939), Einführung in die Phonologie. Prague. [Grundzüge der Phonologie. Göttingen: Vandenhoeck & Ruprecht, 61977]. Vinokur, Grigorij O. (1924), [Rez.:] (1923) Očerki po poėtike Puškina. Berlin. In: Russkij Sovremennik 3, 263K264. Vostokov, Aleksandr Ch. (1817), Opyt o russkom stichosloženii. Sankt Peterburg. Žirmunskij, Viktor M. (1929), Po povodu knigi „Ritm kak dialektika“. In: Zvezda 8, 203K208.

Peter Grzybek / Emmerich Kelih, Graz (Österreich)

4. Neuanfang und Etablierung quantitativer Verfahren in der sowjet. Sprach- und Literaturwissenschaft 65

4. Neuanfang und Etablierung quantitativer Verfahren in der sowjetischen Sprach- und Literaturwissenschaft (1956K1962) 1. 2.

7. 8.

Einleitung Wissenschaftsgeschichtlicher Rahmen von quantitativen Forschungen in der Sprachwissenschaft Quantitative Methoden im Kontext des Strukturalismus Konferenzen zur mathematischen (quantitativen) Linguistik 1957K1960 Quantitative Untersuchungen im Kontext der maschinellen Übersetzung Quantitative Untersuchungen im Kontext der Kybernetik und Semiotik Resümee Literatur (in Auswahl)

1.

Einleitung

3. 4. 5. 6.

Während im Beitrag „Zur Vorgeschichte quantitativer Ansätze in der russischen Sprach- und Literaturwissenschaft“ (vgl. Art. Nr. 3) die Anfänge der quantitativen Linguistik (QL) in Russland aus chronologischer Sicht vom 19. Jh. bis in die dreißiger Jahre des 20. Jh.s behandelt wurden, konzentriert sich der vorliegende Beitrag auf die Entwicklung dieser Disziplin in der UdSSR im Zeitraum von 1956 bis 1962. (Der Begriff Quantitative Linguistik hat sich im deutschsprachigen Bereich, ähnlich wie auch die Bezeichnung Quantitative Linguistics im Anglo-Amerikanischen, weitgehend etabliert. Im Russischen sind traditionell eher andere Bezeichnungen üblich, wie etwa lingvističeskaja statistika, lingvostatistika, statistika reči, statistika teksta. Insbesondere die beiden letzten Bezeichnungen weisen deutlich darauf hin, dass der Anwendungsbereich statistischer bzw. quantitativer Verfahren wesentlich breiter ausgerichtet und nicht nur auf linguistische Fragestellungen im engeren Sinne dieses Wortes beschränkt ist. Deshalb ist im vorliegenden Artikel die Bezeichnung Quantitative Linguistik in eben diesem breiteren Sinne zu verstehen.) Der angesprochene zeitliche Rahmen ergibt sich aus der Tatsache, dass gerade zu diesem Zeitpunkt die Weichen für eine nachhaltige und fruchtbare Entwicklung der quantitativen Linguistik in Russland bzw. der Sowjetunion gestellt wurden. Wie noch zu zeigen sein wird, ist diese Entwicklung K zumindest in den Anfängen K engstens mit der Diskussion um strukturalistische, kybernetische und semiotische Methoden sowie mit

Fragen der maschinellen Übersetzung und der Anwendung mathematischer Methoden in der Sprachwissenschaft verbunden. An dieser Stelle sei auf zentrale Nachschlagewerke und Bibliographien zu diesem allgemeinen Themenbereich verwiesen: die umfassenden Bibliographien „Strukturnoe i prikladnoe jazykoznanie. Bibliografičeskij ukazatel’ literatury, izdannoj v SSSR s 1918 po 1962 g.“ [Z Strukturelle und angewandte Sprachwissenschaft. Bibliographisches Verzeichnis der in der UdSSR von 1918 bis 1962 herausgegebenen Literatur] (1965) und den nachfolgenden Band unter dem Namen „Obščee i prikladnoe jazykoznanie. Ukazatel’ literatury, izdannoj v SSSR s 1963 po 1967 god“ [Z Allgemeine und angewandte Sprachwissenschaft. Bibliographisches Verzeichnis der in der UdSSR in den Jahren 1963 bis 1967 herausgegebenen Literatur] (1972); weiterhin von unmittelbarer Relevanz sind vor allem die Überblicksartikel von Eimermacher (1971) zum Strukturalismus in der Literaturwissenschaft, die allgemeine Arbeit von Segal (1974) zum Strukturalismus in den philologischen Disziplinen, der Beitrag von Jachnow (1971) zum Strukturalismus in der Sprachwissenschaft, sowie die Monographie von Seyffert (1985) über den Strukturalismus in der Literaturwissenschaft unter besonderer Berücksichtigung der sowjetischen Strukturalismusdebatten in der Sprachwissenschaft und Literaturwissenschaft. Für die bibliographische Erschließung des zur Diskussion stehenden Zeitraums sind im Hinblick auf das relevante Material vor allem die folgenden Quellen von besonderer Bedeutung: (a) Zwei Arbeiten von Ermolenko (1967; 1970) mit dem Titel „Tematičeskaja bibliografija rabot po lingvističeskoj statistike na russkom jazyke“ bzw. „Lingvističeskaja statistika. Kratkij očerk i bibliografičeskij ukazatel’“, (b) die umfassende Bibliographie von Čižakovskij/Bektaev (1986) „Statistika reči 1957K1985“, (c) darstellende Arbeiten zur mathematischen (bzw. quantitativen) Linguistik von Papp (1964; 1966), ein Beitrag von Spitzbardt (1967) zur Entstehung der

66

I. Allgemeines / General

Sprachstatistik in der Sowjetunion, die thematische Bibliographie von Kempgen (1995) sowie sein Überblick zur russischen quantitativen Linguistik unter dem Titel Quantitative Aspekte (Kempgen 1999). Die eingangs angesprochene Fokussierung der vorliegenden Überblicksdarstellung auf den Zeitraum von 1956 bis 1962 ist primär dadurch motiviert, dass die QL in der Sowjetunion in eben diesem zeitlichen Rahmen einen enormen Aufschwung erfährt. Dabei wird zum Teil an die seit dem 19. Jh., vor allem seit Anfang des 20. Jh.s geleistete Arbeit angeknüpft, die jedoch ungeachtet der Breite der verschiedenen Ansätze und trotz des vielfältigen Reichtums quantitativer Untersuchungen im Bereich von Sprachund Literaturwissenschaft zu keinerlei Institutionalisierung geführt hatten. Genau das aber geschieht in dem zeitlichen Abschnitt zwischen 1956K62, weshalb bei dessen Aufarbeitung eine Reihe von Aspekten von besonderer Bedeutung und insofern im Folgenden detaillierter darzulegen sind: Vor dem Hintergrund der Tatsache, dass sich auf wissenschaftspolitischer Ebene für die sowjetische Linguistik eine spezifische Verflechtung von wissenschaftsexternen (ideologisch-politischen) und inhaltlichen Forderungen zeigt, erscheint es notwendig, den Status der quantitativen Linguistik in dieser Hinsicht näher zu untersuchen. Es kann davon ausgegangen werden, dass der quantitativen Linguistik ab 1956 ein von offiziell-staatlicher Seite förderungswürdiger Status zuerkannt wird, was sich anhand folgender Faktoren nachweisen lässt: (a) den in diesen Jahren publizierten programmatischen Artikeln zur inhaltlichen Richtung der sowjetischen Linguistik, in denen auch und gerade der quantitativen Linguistik eine besondere Rolle zugesprochen wird; (b) der nachhaltigen Förderung und Organisation von wissenschaftlichen Konferenzen und Symposien mit quantitativen sprachwissenschaftlichen Schwerpunkten, (c) der Schaffung von entsprechenden Publikationsorganen, und (d) an der Institutionalisierung und Verankerung der quantitativen Linguistik im offiziellen sowjetischen Wissenschaftsbetrieb in Form der Gründung von ent-

sprechenden Instituten und Institutionen. Unter Berücksichtigung des wissenschaftshistorischen Rahmens ist davon auszugehen, dass bis ca. 1962 die wichtigsten Weichen der weiteren produktiven Entwicklung der sowjetischen quantitativen Linguistik gelegt worden sind. Deshalb scheint es im Hinblick auf die durchaus umfangreichen quantitativen Untersuchungen der sowjetischen Linguistik überaus angebracht, eine detaillierte Analyse der quantitativen Neuanfänge und Weiterentwicklungen im genannten Zeitraum zu präsentieren.

2.

Wissenschaftsgeschichtlicher Rahmen von quantitativen Forschungen in der Sprachwissenschaft

Mit dem Erscheinen der populärwissenschaftlichen Monographie „Za marksistskoe jazykoznanie“ von E. D. Polivanov (1931) und der darauf folgenden verschärften Diskussion um die Konzeptionen einer marxistischen Sprachwissenschaft setzte sich in der damaligen sowjetischen Linguistik als die im Grunde genommen einzige diskutierbare Richtung die sogenannte Neue Lehre des Kaukasiologen N. Ja. Marr durch. Die Monographie von Polivanov ist vor allem deshalb erwähnenswert, weil hier unter dem Titel „I matematika možet byt’ poleznoj .“ (Polivanov 1931, 173 ff.) ein offensichtlich letzter programmatischer Beitrag zur Frage der Anwendung von mathematischen (quantitativen) Methoden in der Sprachwissenschaft im Sinne einer exakten Wissenschaft zu finden ist. Konkret ist das Interesse von Polivanov dabei auf die Anwendung von mathematischen Methoden in der experimentellen Phonologie, der deskriptiven Statistik, in der Dialektologie und der auf wahrscheinlichkeitstheoretischen Annahmen basierenden etymologischen Untersuchung ausgerichtet. Im Anschluss daran ist eine über 20 Jahre dauernde Phase im Lichte der erwähnten Marr’schen Neuen Lehre (wie die Japhetitische Theorie und Überbautheorie der Sprache genannt wurde) zu konstatieren. Ein direkter Eingriff in Fragen der Sprachwissenschaft in Form einer Diskussion und Verwerfung der Neuen Lehre von N. Ja. Marr durch Stalin im Jahre 1950 bewirkt K wie nicht anders zu erwarten K noch keinen signifikanten

4. Neuanfang und Etablierung quantitativer Verfahren in der sowjet. Sprach- und Literaturwissenschaft 67

Neuaufbruch hinsichtlich der Methoden und Konzeptionen der sowjetischen Linguistik. Erst nach Stalins Tod im Jahre 1953 und im Zuge des XX. Parteitages der KPdSU und der damit zusammenhängenden Entstalinisierung und beginnenden Tauwetterperiode wird 1956 die wissenschaftsgeschichtlich wichtige und die weiteren Jahre beeinflussenden programmatische Schrift in der zentralen sprachwissenschaftlichen Zeitschrift Voprosy jazykoznanija (VJa) (1952 ff.) unter dem Titel: „O nekotorych aktual’nych zadačach sovremennogo sovetskogo jazykoznanija“ (1956, 3K13) veröffentlicht. Darin werden der Status quo und die Perspektiven der sowjetischen Linguistik diskutiert; es werden Forderungen nach einer notwendigen prinzipiellen Methodendiskussion in der Sprachwissenschaft erhoben und die Weichen für einen Neuanfang in der sowjetischen Linguistik gestellt. Neben einer allgemeinen Befürwortung der Beschäftigung mit exakten Methoden in der Sprachwissenschaft wird an dieser Stelle konkret auf die Notwendigkeit von strukturellen, mathematischen (statistischen) Methoden in der Sprachwissenschaft verwiesen. Bezeichnenderweise findet sich in diesem Artikel K unter dem Hinweis auf mehrere ausländische Arbeiten zur quantitativen Linguistik K die für die damalige Zeit bemerkenswerte Aussage, dass „Meždu tem v sovetskom jazykoznanii za poslednye gody ne pojavilos’ ni odnogo issledovanija po lingvističeskoj statistike.“ [Währenddessen in der Sowjetunion in den letzten Jahren keine einzige Untersuchung zur linguistischen Statistik publiziert worden ist.] (vgl. „O nekotorych aktual’nych zadačach sovremennogo sovetskogo jazykoznanija“ 1956, 6). Eine derartige Aussage ist nicht ausschließlich als geschichtliches Resümee zu verstehen; sie spiegelt in gewisser Weise auch den Wunsch der sowjetischen Linguistik, nach einer ca. 20-jährigen Unterbrechung den Anschluss an aktuelle linguistische Strömungen vor allem auch auf internationaler Ebene (wieder) zu erlangen. Global bewertet kann dieser programmatische Artikel aus dem Jahre 1956 somit zumindest als Startpunkt für die weitere (und im folgenden darzustellende) turbulente Diskussion um strukturelle und mathematische Methoden in der Linguistik angesehen werden. So bilden sich bis Ende der fünfziger Jahre erste Strömungen und Schulen eines sowjetischen Strukturalismus heraus, die ge-

nügend Platz und Foren für die Diskussion vor allem sprachwissenschaftlicher Fragestellungen im Lichte mathematischer und quantitativer Methoden zulassen. In einem etwas erweiterten Bezugsrahmen werden dann die quantitativen Studien dieser Frühphase (aus der letztendlich auch eine allmähliche Etablierung der quantitativen Linguistik resultiert) im Kontext verschiedener wissenschaftlicher Disziplinen und Richtungen zu bewerten sein, insbesondere jedoch im Zusammenhang mit: (a) auf strukturalistischen Methoden basierenden Forschungen in der Linguistik und Literaturwissenschaft, (b) der sich in den fünfziger Jahren rasant entwickelnden maschinellen (automatischen) Übersetzung, und (c) der innerhalb der Sowjetunion ab Mitte der fünfziger Jahre rehabilitierten Kybernetik sowie der sich entwickelnden Semiotik.

3.

Quantitative Methoden im Kontext des Strukturalismus

Ausgehend von den einleitend dargestellten Überlegungen ist ab Mitte der fünfziger Jahre ein methodologischer und inhaltlicher Neuanfang innerhalb der sowjetischen Linguistik zu konstatieren. Für die Entwicklung der mathematischen Linguistik ist K wie z. B. auch Papp (1966, 38) betont K festzustellen, dass die Fragen der Mathematisierung und Quantifizierung der Sprachwissenschaft in dieser Anfangsphase im engen Kontext der Strukturalismusdebatten zu Mitte bis Ende der fünfziger Jahre äußerst intensiv diskutiert werden. Im Folgenden soll daher einerseits in der gebotenen Kürze diese Diskussion um die Anwendung von strukturellen (und zugleich mathematischen und statistischen) Methoden der Linguistik, andererseits der wissenschaftshistorische Rahmen (Gründung von sprachwissenschaftlichen Institutionen, Organisation von Konferenzen) dargestellt werden. Als zentrale Eckpunkte der Strukturalismusdebatten Mitte bis Ende der fünfziger Jahre sind folgende Ereignisse und Publikationen zu nennen: (a) die Konferenz zur synchronen und diachronen Analyse von Sprachen aus dem Jahre 1957 (vgl. dazu die Publikation „O sootnošenii sinchronogo ana-

68 liza i istoričeskogo izučenija jazykov“, 1960), (b) die aus der oben genannten Synchronie-Konferenz resultierende dogmatische Schrift „Teoretičeskie voprosy jazykoznanija. Vvedenie“ (Budagov/Vinogradov/Gornung et al. 1959), (c) der Beschluss der Akademiekommission „Literatur und Sprache“ mit dem Titel „O rabotach po strukturnomu analizu jazyka“ aus dem Jahr 1959 (vgl. „O rabotach po strukturnomu analizu jazyka: Rešenie Bjuro Otdelenija literatury i jazyka ot 7K8 ijulja 1959 g“ 1960). Es ist hier nicht der Ort, im Detail auf den philosophischen und wissenschaftstheoretischen Hintergrund dieser Diskussion in Bezug auf strukturelle Methoden einzugehen K vgl. dazu exemplarisch die entgegengesetzten Standpunkte von Reformatskij (1960) oder Šaumjan (1956) bzw. Gornung (1960) K, sondern vielmehr die Position der mathematischen (quantitativen) Methoden innerhalb dieser Debatten näher zu beleuchten. Bereits auf der sogenannten Synchronie/ Diachronie-Konferenz 1957 hatte Vjač. Vs. Ivanov (1960, 79) gegenüber den restriktiven Opponenten von strukturellen Methoden (wie etwa Gornung 1960 oder Abaev 1960) damit argumentiert, dass besonders mathematische Methoden im Lichte von informationstheoretischen Untersuchungen ein strukturelles und exaktes Vorgehen bei der Analyse von sprachlichen Phänomenen erfordern. Wissenschaftsgeschichtlich bewirkte diese Konferenz K so sieht es auch Seyffert (1985, 100) K zwar eine Ablehnung der theoretischen Grundlagen des Strukturalismus, dennoch aber war damit eine wichtige Rezeption von strukturellen Methoden zu verzeichnen. Eine Gegenreaktion auf die bei der Synchronie/Diachronie-Konferenz 1957 recht pluralistisch geführte Methodendiskussion in der Sprachwissenschaft ließ jedoch nicht lange auf sich warten. Die allgemein als eine marxistische Doktrin angesehene Programmschrift „Teoretičeskie voprosy jazykoznanija. Vvedenie“ (Budagov/Vinogradov/ Gornung et al. 1959) brachte einen zwar mehr polemischen als argumentativ ausgerichteten Widerstand gegenüber strukturellen Methoden und die Forderung nach einer nicht näher spezifizierten, so genann-

I. Allgemeines / General

ten marxistischen Sprachwissenschaft. Diese restriktive Ablehnung von neuen, d. h. strukturellen Methoden ruft jedoch, wie dies in der Einleitung zum veröffentlichten Akademiebeschluss „O rabotach po strukturnomu analizu jazyka“ aus dem Jahr 1959 von Gornung (1960, 6 ff.) unter dem Titel „Obsuždenie voprosa o strukturnych metodach v jazykoznanii i o matematičeskoj i prikladnoj lingvistike“ erwähnt ist K eine ganze Reihe von Kritikern auf den Plan. Bemerkenswerterweise wird nun aus pro-strukturalistischer Sicht K wobei die Ansichten von Šaumjan (1960, 71K74) als grundlegend für die weitere Positionierung von mathematischen (quantitativen) Methoden referierend dargestellt werden können K folgendermaßen argumentiert: Mit aller Vehemenz werden einerseits die theoretischen Grundlagen von strukturellen Methoden verteidigt, andererseits wird jedoch auch auf die praktische Relevanz einer derartigen Vorgehensweise verwiesen. Es wird betont, dass die strukturelle Linguistik, die auf das Engste mit der Kybernetik verbunden ist und auf der Anwendung von mathematischen Methoden aufbaut, bei der Lösung einer Reihe von praktischen Aufgaben (wie der maschinellen Übersetzung, der automatischen Informationsverarbeitung u. a.) von immenser Bedeutung ist und daher eine zentrale Position innerhalb der sowjetischen Linguistik einnehmen muss. In ähnlicher Weise zeigt sich dies dann auch in der für das Ende der fünfziger und den Anfang der sechziger Jahre repräsentativen Programmschrift „O rabotach po strukturnomu analizu jazyka“ (1960). Abgesehen von der allgemeinen Verurteilung der philosophischen Grundlagen des Strukturalismus wird dennoch die Anwendung von strukturellen Methoden unter besonderer Berücksichtigung von mathematischen und mathematisch-statistischen Methoden für die Lösung von praktischen Aufgaben (maschinelle Übersetzung, Frage der technischen Optimierung von Kommunikationsübertragung, automatisierte Informationsund Sprachverarbeitung) zugelassen (O rabotach po strukturnomu analizu jazyka 1960, 75 ff.). Daneben werden noch eine Reihe von administrativen Beschlüssen getroffen, die eine Re-Strukturierung des sprachwissenschaftlichen Betriebs in der Sowjetunion betreffen. Insbesondere ist an dieser Stelle die Schaffung der Lehrstühle für strukturelle/

4. Neuanfang und Etablierung quantitativer Verfahren in der sowjet. Sprach- und Literaturwissenschaft 69

theoretische und angewandte Sprachwissenschaft an der Moskauer Staatlichen Universität (MGU) im Jahr 1960 zu nennen (vgl. Kibrik 2001). Dieser Umstand ist insofern von Bedeutung, als auf der philologischen Fakultät der MGU ein Seminar unter dem Titel „Nekotorye primenenija matematičeskich metodov v jazykoznanii“ [Einige Anwendungen von mathematischen Methoden in der Sprachwissenschaft] bereits ab dem Jahr 1956 unter der Federführung des Mathematikers V. A. Uspenskij und der Sprachwissenschaftler Vjač. Vs. Ivanov und P. S. Kuznecov zur Mathematisierung und Quantifizierung von linguistischen Fragestellungen gehalten wurde. Wie aus der Beurteilung von Uspenskij (1993, 122) hervorgeht, muss diesem Seminar eine hervorragende Rolle bei der Entwicklung der sowjetischen strukturellen Linguistik (unter besonderer Berücksichtigung von formalen Methoden, Mathematik und Statistik) beigemessen werden. Parallel zu dieser Moskauer Entwicklung wird an der damaligen Leningrader Staatlichen Universität (LGU) unter der Leitung von L. R. Zinder 1958 eine „Otdelenie strukturnoj lingvistiki“ [Abteilung für strukturelle Linguistik] geschaffen, welche vorrangig mit der statistischen Analyse von Sprache für praktische Bedürfnisse beschäftigt war (vgl. Gerd 1993). Dies ist dann u. a. auch die Basis für den im Jahre 1962 geschaffenen, offensichtlich in der Sowjetunion ersten Lehrstuhl für mathematische Linguistik, die K wie es die Arbeiten von MitarbeiterInnen aus dieser Zeit zeigen (vgl. Zinder 1957; Zinder 1958; Belousova 1964; Zasorina 1966) K in umfassender Weise auch die Behandlung von Fragen der quantitativen Linguistik einschließt. Des Weiteren kommt es K worauf im Folgenden noch näher einzugehen sein wird K zur institutionellen Förderung der maschinellen Übersetzung (s. u.) und zur Gründung des „Sovet po kibernetike“ [Rates für Kybernetik] unter der Leitung des Kybernetikers A. I. Berg, dem eine bedeutende Rolle bei der Etablierung von strukturellen und mathematischen Methoden in der Sprachwissenschaft zugewiesen wird (vgl. Ivanov 1998). Aus den bislang dargelegten Überlegungen zum äußeren wissenschaftsgeschichtlichen Rahmen ergibt sich somit die Schlussfolgerung, dass die Annahme und Institutionalisierung von strukturellen und mathema-

tisch-statistischen Methoden in der Sprachwissenschaft auf eine allmähliche Akzeptanz vor allem unter dem Hinweis auf die praktische Verwertbarkeit dieser Ideen hindeutet (vgl. Grigor’ev 1960). In Anbetracht der allgemein politischen und damit auch wissenschaftspolitischen Klimaveränderungen kam es ab Mitte bzw. Ende der fünfziger Jahre jedoch nicht nur zu allgemeinen Diskussionen wie etwa über den Strukturalismus u. a., sondern es änderten sich auch die institutionellen Voraussetzungen, was sich insbesondere in der Organisation von Fachtagungen sowie der Gründung relevanter Institutionen und Publikationsorgane äußerte. Im folgenden Kapitel werden deshalb als Nächstes anhand von Konferenzen zur mathematischen (quantitativen) Linguistik, die in den fünfziger Jahren und Anfang der sechziger Jahre stattfanden, einige Arbeiten und Perspektiven dieser Forschungsdisziplin vorgestellt.

4.

Konferenzen zur mathematischen (quantitativen) Linguistik 1957K1960

Parallel zu den universitären Anfängen der mathematischen (quantitativen) Linguistik wird in Leningrad vom 1.K4. Oktober 1957 die Konferenz „Soveščanie po statistike reči“ [Konferenz zur Sprachstatistik] von der Leningrader Sektion der Akustikkommission der Sowjetischen Akademie der Wissenschaften und der Leningrader Staatlichen Universität organisiert. Wie aus dem Titel ersichtlich ist, werden an dieser Stelle offensichtlich erstmals institutionell verankert im Rahmen einer größeren Konferenz in der Sowjetunion ausschließlich Fragen der statistischen Analyse der Sprache behandelt. Aus dem im darauf folgenden Jahr 1958 erschienenen Sammelband zu dieser Konferenz unter dem Namen „Voprosy statistiki reči (materialy soveščanija)“ [Fragen der Sprachstatistik (Konferenzmaterialien)] (1958) lässt sich ein recht gutes Gesamtbild der damals diskutierten Fragestellungen der quantitativen Linguistik rekonstruieren: Neben der allgemeinen Betonung der praktisch-technischen Relevanz von statistischen Untersuchungen von Varšavskij (1958), der Optimierung der automatischen Signalübertragung (Železnov 1958) und der Frage der auf Wahrscheinlichkeiten basierenden Er-

70 kennung von Phonemvarianten (Čistovič 1958) wird auf dieser Konferenz vor allem auch die theoretische Rolle der quantitativen Linguistik in besonderer Weise betont. So weist Revzin (1958, 45) darauf hin, dass die sowjetische QL an bestimmte Traditionen und Arbeiten bei F. F. Fortunatov und M. N. Peterson anknüpfen kann; nach resümierenden Zusammenfassungen verschiedener ausländischer Arbeiten zur quantitativen Linguistik (G. K. Zipf; G. U. Yule; B. Mandelbrot; P. Guiraud und P. Menzerath) gelangt er zu dem Schluss, dass strukturelle Linguistik und quantitative Methoden einander bedingen (vor allem die exakte Definition von Spracheinheiten und strukturelle Betrachtung sind die Grundvoraussetzungen der Quantifizierung), und dass nur das Zusammenspiel beider Herangehensweisen es ermögliche, aktuelle Fragen der Sprachwissenschaft zu lösen (vgl. Revzin 1958, 55). In ähnlicher Weise plädiert Ivanov (1958a) auf dieser Konferenz in Hinblick auf den oben behandelten Methodenstreit für die Ausweitung von statistischen Methoden auf das Gebiet von historisch-vergleichenden Untersuchungen und diskutiert sodann die Frage von Wahrscheinlichkeitsmodellen bei der Rekonstruktion sprachlicher Fakten. Des Weiteren werden auf dieser Konferenz Überlegungen von Padučeva (1958) zur Rolle der Entropie bei der Bestimmung von Silbengrenzen, die Erstellung und Notwendigkeit von Häufigkeitswörterbüchern (Volockaja/Šelimova/Šumilina et al. 1958), und die Notwendigkeit der Ausweitung von statistischen Untersuchungen auf die lexikalische Ebene unter Hinweis auf das Zipf’sche Gesetz diskutiert (Piotrovskij 1958). Die Konferenz zu Fragen der Sprachstatistik zeichnete sich durch eine enorme Resonanz aus (vgl. Uspenskij 1958). Daraus erfolgt unmittelbar die Einrichtung eines Komitees für angewandte Sprachwissenschaft im Rahmen der akustischen Sektion der Sowjetischen Akademie der Wissenschaften (vgl. Ivanov 1958b). Damit wird mathematischen und statistischen Methoden ein weiteres Mal auch von offizieller Seite die praktische Notwendigkeit eines derartigen Vorgehens beigemessen. Für die sogenannte statistische Linguistik werden dabei als Hauptaufgaben die Erstellung von Häufigkeitswörterbüchern, die Untersuchung der statistischen Struktur von Wort und Silbe, sowie weitere Forschungen zur sogenannten phonetischen Statistik genannt.

I. Allgemeines / General

Bereits zwei Jahre später (15.K21. April 1959) wird unter Federführung des eben erwähnten Komitees unter der Leitung von N. D. Andreev und der LGU die „I. Vsesojuznoe soveščanie po matematičeskoj lingvistike“ [I. Allunionskonferenz zur mathematischen Linguistik] organisiert. Diese Konferenz stellt nicht nur aufgrund der Teilnahme von 486 Wissenschaftlern aus 68 unterschiedlichen Institutionen (vgl. Lomkovskaja 1959) einen Meilenstein der sowjetischen Sprachwissenschaft dar; von besonderer Bedeutung ist vielmehr, dass der Begriff der mathematischen Linguistik erstmals eine überaus breite inhaltliche Auffassung erfährt. Diskutiert werden in diesem Zusammenhang Fragen von mathematischen Modellen der Sprache, der Erstellung von Algorithmen für die maschinelle Übersetzung, der Bedeutung von künstlichen Sprachen, der automatisierten Informationsverarbeitung, der Anwendung von statistischen Analysen in der Linguistik, u. a. m. Die Beiträge dieser Konferenz zeichnen sich vor allem dadurch aus, dass sie in programmatischer Weise die inhaltliche Entwicklung der quantitativen Linguistik in der Sowjetunion der sechziger Jahre in gewisser Weise vorwegnehmen: So betont V. N. Toporov (1959a; 1959b) die grundsätzliche Bedeutung der Wahrscheinlichkeit in der Linguistik und verweist allgemein auf die stochastischen Beschränkungen sprachlicher und semiotischer Systeme. In ähnlicher Weise präsentieren Zolotarëv (1959) und Frumkina/Zolotarëv (1959) erste grundsätzliche Überlegungen zur Einheit „Satz“, wobei dessen konstituierende Einheiten als Zufallsprozesse aufgefasst werden und sich sodann mit Hilfe von statistischen Verteilungsmodellen beschreiben lassen. Weiter werden die kombinierte Anwendung von mengentheoretischen und statistischen Konzeptionen bei der Modellierung von Sprache (vgl. Andreev 1959), die Frage der Stichprobengröße bei der Erstellung von Häufigkeitswörterbüchern (vgl. Frumkina 1959), oder die Vorkommenshäufigkeit von Leerstellen in Texten und deren theoretische Modellierung auf Grundlage der Poisson-Verteilung (vgl. Gačečiladze/Cercvadze/Čikodze 1959) diskutiert. Präsentiert wird auch das weiterhin in den sechziger und siebziger Jahren innerhalb der Informationstheorie ausgearbeitete Konzept der Entropie (Dobrušin/Jaglom 1959; Jaglom/Dobrušin/Jaglom 1960) und die Frage der Entropie auf Wortebene

4. Neuanfang und Etablierung quantitativer Verfahren in der sowjet. Sprach- und Literaturwissenschaft 71

(Piotrovskij 1959; Piotrovskaja/Piotrovskij/ Razživin 1962). Für die Entwicklung der quantitativen Linguistik ist ebenfalls auf das bedeutende Symposium von Černovcy (22.K28. September 1960) zur strukturellen und mathematischen Linguistik zu verweisen. Nach Uspenskij (1993) ist diese Konferenz die logische Fortsetzung der bisherigen Konferenzen, da sie sich vor allem durch eine vertiefte Theoriebildung auszeichnete. Entgegen der Ankündigung im Tagungsbericht von Širokov (1961) sind die Beiträge zu dieser Konferenz offensichtlich jedoch nie publiziert worden. Immerhin eignet sich eben dieser Tagungsbericht als Ausgangspunkt für eine resümierende Zusammenfassung der dort diskutierten Ergebnisse. Ähnlich wie bei den vorangehenden Konferenzen werden Fragen der statistischen Linguistik im weiteren Kontext von struktureller und angewandter Linguistik diskutiert. Dennoch stehen K wie Širokov (1961, 156 ff.) es darstellt K statistische Analysen von Sprache im Mittelpunkt der Konferenz; diese reichen von der Vorstellung von Häufigkeitswörterbüchern des Russischen, Fragen der quantitativen Stilanalyse bis zu Überlegungen einer quantitativen Sprachtypologie. Da die einzelnen Untersuchungen offensichtlich nicht publiziert worden sind, folgt an dieser Stelle die exemplarische Darstellung zweier Arbeiten, die ebenfalls im Rahmen dieser Konferenz präsentiert wurden, aber an anderer Stelle erschienen sind: Während Piotrovskij (1960) die Frage der distinktiven Valenz von Phonemen mit Hilfe von Korrelationsanalysen zu lösen versucht, problematisiert Frumkina (1960) das Problem der Anwendung von statistisch-wahrscheinlichkeitstheoretischen Methoden in der Linguistik und plädiert aufgrund der unzureichenden Methoden der qualitativen Linguistik für einen Ausbau der Sprachtheorie auf der Grundlage von statistischen Gesetzen. Somit kann K zumindest exemplarisch anhand dieser drei Konferenzen (Leningrad 1957; Leningrad 1959; Černovcy 1960) und der vorangehenden Bemerkungen zum Kontext von statistischen Methoden innerhalb der Strukturalismusdebatten K für die Entwicklung der quantitativen Linguistik bislang Folgendes zusammenfassend festgehalten werden: Von Anfang an stehen Versuche und Ansätze zur Quantifizierung von Sprache im engen Kontext von in der Sowjet-

union aufkommenden strukturellen Methoden. Während theoretische Ansätze des Strukturalismus aus dogmatisch-offizieller Sicht nicht gutgeheißen werden, kann für die sich entwickelnde (mathematische) statistische Linguistik gewissermaßen eine Sonderposition konstatiert werden. Unter Hinweis auf die wissenschaftliche und technische Relevanz von zu lösenden sogenannten angewandten Problemen werden K ausgehend von der strukturellen Analyse, die mit der exakten Definition von Spracheinheiten verbunden ist K insbesondere mathematische und statistische Methoden von offizieller Seite offensichtlich besonders gefördert. Daneben ist auch zu beobachten, dass von der anfänglichen eher technisch orientierten statistischen Sprachanalyse die Quantifizierung von Sprache inhaltlich allmählich auf verschiedene Sprachebenen (Phonem, Wort, Satz, Lexik) ausgedehnt wird. Weiterhin gibt es auch eine Reihe von theoretischen Anmerkungen zur Bedeutung von wahrscheinlichkeitstheoretischen Ansätzen in der Linguistik. Insofern kann man davon ausgehen, dass gerade in den fünfziger Jahren im Kontext des aufkommenden Strukturalismus die Grundsteine der sowjetischen quantitativen Linguistik gelegt worden sind.

5.

Quantitative Untersuchungen im Kontext der maschinellen Übersetzung

Seit etwa Mitte der fünfziger Jahre wird K bedingt durch die externe Neustrukturierung der Sprachwissenschaft und der neu entstandenen praktischen und technischen Bedürfnisse K die sogenannte maschinelle Übersetzung von Texten massiv gefördert und propagiert. Ohne an dieser Stelle genauer auf die interessante Frühgeschichte der maschinellen Übersetzung in der Sowjetunion bzw. Russland im Einzelnen eingehen zu können, sei an dieser Stelle auf Hutchins (2000) mit Beiträgen zur Entwicklung der sowjetischen maschinellen Übersetzung von Kulagina (2000), Mel’čuk (2000), Mološnaja (2000) und Piotrovskij (2000), sowie auf die entsprechenden Anmerkungen von Revzin (1997) verwiesen. Gerade die maschinelle Übersetzung ist als ein nicht wegzudenkender Stimulus für die Entwicklung der mathematischen und quantitativen Linguistik anzusehen, da eine der Grundan-

72 nahmen in diesem Bereich die Annahme beinhaltet, dass die Anwendung von formalen Methoden unabdingbar ist. So ist es auch nicht weiter verwunderlich, dass neben der Erstellung von Algorithmen und mengentheoretischen Konzeptionen auch die statistische Beschreibung von Sprache in dieser praktisch ausgerichteten Disziplin der maschinellen Übersetzung diskutiert und angewandt wird. Betrachtet man die maschinelle Übersetzung auch auf institutioneller Ebene als Ausgangspunkt für weiterführende quantitative Forschungen, so sind als zentrale Plattformen und Institutionen unter Berücksichtigung von quantitativen Methoden insbesondere die folgenden zu nennen: (a) Aus wissenschaftshistorischer Sicht wird der informellen Vereinigung „Ob’’edinenie po mašinnomu perevodu“ [Vereinigung für maschinelle Übersetzung] an der 1. Moskauer Staatlichen Pädagogischen Universität für Fremdsprachen unter organisatorischer Leitung von V. Ju. Rozencvejg eine bedeutende Rolle bei der Einführung und Förderung der maschinellen Übersetzung unter Zuhilfenahme von formalen Methoden zugestanden K vgl. Uspenskij (1993, 130 ff.), Mel’čuk (1998, 368), Ivanov (1998, 329). Wie noch näher zu zeigen sein wird, liegt in der Hand von Rozencvejg die Organisation von wissenschaftlichen Konferenzen (beispielsweise die Moskauer Konferenz zur maschinellen Übersetzung von 1958, vgl. „Tezisy konferencii po mašinnomu perevodu“ 1958). Rozencvejg ist auch verantwortlich für die programmatische Vorstellung erster Ergebnisse der sowjetischen maschinellen Übersetzung auf dem IV. Internationalen Slawistenkongress in Moskau (vgl. Rozencvejg 1958). Von zentraler Bedeutung für die Anfangsphase der maschinellen Übersetzung ist die Herausgabe der Zeitschrift „Bjulleten’ ob’’edinenija po mašinnomu perevodu“ [Bulletin der Vereinigung für maschinelle Übersetzung], die zuerst (1957K1959) unter diesem Namen erschien, und von der dann in den Jahren 1959K1980 unter dem Titel „Mašinnyj perevod i prikladnaja lingvistika“ [Maschinelle Übersetzung und angewandte Linguistik] 20 Bände herauskamen. Diese Zeitschrift spielte eine wichtige Rolle bei der Etablierung der quantita-

I. Allgemeines / General

tiven Linguistik und diente als Plattform für zahlreiche Publikationen auf diesem Gebiet. (b) Als weiteres Zentrum der maschinellen Übersetzung bildete sich bereits ab 1954 im Rahmen des Mathematischen Steklov-Instituts der Sowjetischen Akademie der Wissenschaften eine Gruppe von WissenschaftlerInnen (I. A. Mel’čuk; T. N. Mološnaja; O. S. Kulagina), die sich mit Fragen der Formalisierung von Sprachen beschäftigte. Als weitere Zentren für maschinelle Übersetzung und der Anwendung von quantitativen Methoden (Uspenskij 1993, 137 ff.) sind das Institut „Točnoj mechaniki“ und „Vyčislitelnoj techniki“ [Institut für Feinmechanik und Informatik] und das „Laboratorija ėlektromodelirovanija“ [Labor für elektronische Modellierung] zu nennen. Wie Kulagina (2000, 200) betont, war der Leiter dieser Gruppe, der Mathematiker A. A. Ljapunov (1911K 1973) ausdrücklich von der Wichtigkeit der Analyse der statistischen Struktur der Sprache (Häufigkeitsverteilungen linguistischer Einheiten) für die maschinelle Übersetzung überzeugt. Repräsentativ für den Status der quantitativen Linguistik innerhalb der maschinellen Übersetzung ist an dieser Stelle die Arbeit von Mel’čuk (1958) zu nennen, in der es um die Bestimmung des Kasus und der Kasusendungen von französischen Nomina auf der Basis statistischer Analysen geht. (c) In Leningrad/Sankt Petersburg entsteht im März 1958 das durch N. D. Andreev (1920K1997) gegründete „Ėksperimental’naja laboratorija mašinnogo perevoda“ [Experimentelle Laboratorium für maschinelle Übersetzung] (vgl. Piotrovskij 2000, 234), ein weiteres Zentrum für maschinelle Übersetzung. Die Ergebnisse der Leningrader Arbeiten aus den Jahren 1956K1958 sind in den „Materialy po mašinnomu perevodu“ (1958) zu finden. Abgesehen von theoretischen Arbeiten wie denen von Ivanov (1958c) und Andreev (1958), in denen es um die Frage einer linguistischen Metasprache geht, oder der Studie von Steblin-Kamenskij (1958) zur Rolle der maschinellen Übersetzung in der nachmarristischen Ära, sind darin hauptsächlich Überlegungen zur Erstellung von Algorithmen zu finden. Von Rele-

4. Neuanfang und Etablierung quantitativer Verfahren in der sowjet. Sprach- und Literaturwissenschaft 73

vanz für die QL sind in diesem Zusammenhang die Arbeiten von Leningrader WissenschaftlerInnen, die im unmittelbaren Zusammenhang mit dem oben erwähnten Laboratorium stehen: So beschäftigt sich Andreev (1959) mit theoretischen Fragen der Anwendung der Statistik und Kombinatorik auf sprachwissenschaftliche Fragestellungen (Erstellung von Algorithmen) sowie mit der Frage statistischer Gesetzmäßigkeiten in Texten (vgl. Andreev 1959; Andreev/Zinder 1963). Später erfahren diese Überlegungen zu einer statistischkombinatorischen Sprachbeschreibung eine Erweiterung auf Fragen der Morphologie, Syntax und Lexik, die allesamt in Sammelbänden erschienen sind (vgl. Andreev 1965; Andreev 1967; Andreeva 1969). Das erwähnte Laboratorium kann als Vorläufer des im Jahre 1962 gegründeten Lehrstuhls für mathematische Linguistik der LGU angesehen werden (vgl. Gerd 1993, 4 ff.). Neben der allgemeinen wissenschaftsgeschichtlichen Bedeutung des IV. Internationalen Slawistenkongresses in Moskau, die u. a. in der Überwindung der langjährigen Isolation von der internationalen Wissenschaftsszene zu sehen ist und sich nicht zuletzt in der aktiven Teilnahme des mittlerweile ja in den USA lebenden und lehrenden Roman Jakobson äußert, zeigt sich auf inhaltlicher Ebene eine gegenseitige Verflechtung exakter Methoden in der Linguistik, in der maschinellen Übersetzung und mathematischen (quantitativen) Linguistik. So plädiert der bereits erwähnte Rozencvejg (in ähnlicher Weise wie dies bereits bei der wechselseitigen Verbindung von Strukturalismus und mathematischer Linguistik festgestellt werden konnte) für eine weitere Ausweitung und Anwendung von streng formalen Methoden, d. h. für eine exakte Definition von linguistischen Einheiten, die für Zwecke der maschinellen Übersetzung angewendet werden können. Des Weiteren wird auf die wahrscheinlichkeits- und informationstheoretischen Ansätze von A. N. Kolmogorov und A. A. Ljapunov verwiesen, und es werden explizit quantitative Methoden der Lexikographie (Erstellung von Häufigkeitswörterbüchern) gefordert (vgl. Rozencvejg 1958, 9). Somit werden bereits zu diesem Zeitpunkt die Weichen für die Richtung der sowjetischen quantitativen Linguis-

tik gestellt, die dann freilich K wie noch zu zeigen sein wird K erst in den sechziger und siebziger Jahren bewältigt wird. Ein weiterer Meilenstein in der Entwicklung der maschinellen Übersetzung und der damit im engen Zusammenhang stehenden Anwendung von quantitativen Methoden in der Sowjetunion ist die „Vsesojuznaja konferencija po mašinnomu perevodu“ [Allunions-Konferenz zur maschinellen Übersetzung], die im Jahr 1958 (15.K21. Mai) in Moskau stattfand. Die 61 Vorträge K die einzelnen Beiträge sind als Abstracts in den „Tezisy konferencii po mašinnomu perevodu“ (1958) publiziert K sind zum größten Teil Arbeiten und Konzeptionen von Algorithmen für die maschinelle Übersetzung aus den unterschiedlichsten Sprachen in das und aus dem Russischen. Daneben finden sich allerdings auch zahlreiche Beiträge, die unmittelbar von Relevanz für die Entwicklung der quantitativen Linguistik sind. Aus programmatischer Sicht wird K wie auch auf allen bisher vorgestellten Konferenzen K die Notwendigkeit der Anwendung von exakten Methoden in der Linguistik im Allgemeinen und bei der maschinellen Übersetzung im Speziellen hingewiesen (vgl. Rozencvejg/Revzin 1958). In diesem Zusammenhang sei auf Ivanov (1958d) verwiesen, der bei dieser Konferenz ein weiteres Mal die wissenschaftstheoretische Forderung nach der Ausarbeitung und Anwendung formaler Methoden unter Einschluss von wahrscheinlichkeitstheoretischen Überlegungen in der Sprachwissenschaft erhebt. Die integrative und bedeutende Rolle von Vjač. Vs. Ivanov (vgl. insbesondere Ivanov 1957; 1958a; 1958b; 1958c; 1958d; 1958e; 1958f) innerhalb der strukturellen und formalen Linguistik (unter besonderer Berücksichtigung der maschinellen Übersetzung, Semiotik und QL) in den fünfziger und sechziger Jahren wird an anderer Stelle (s. Kelih [in Vorb.]) detaillierter dargelegt. Außerdem findet sich eine offensichtlich erste wissenschaftsinterne Differenzierung der Methoden der so genannten formalen bzw. mathematischen Linguistik, denn sowohl bei Dobrušin (1958) als auch bei Ljapunov/Kulagina (1958) werden drei Richtungen unterschieden: (a) mengentheoretische Konzeptionen der Sprache, vor allem grammatischer Strukturen (formale Grammatiken)

74

I. Allgemeines / General

(b) informationstheoretische Untersuchungen der Semantik, und (c) die Anwendung von statistischen Methoden (linguistische Statistik). Betrachtet man die der linguistischen Statistik zuzuordnenden Beiträge, so kann man feststellen, dass vor allem in Hinblick auf die maschinelle Übersetzung die Erstellung von Häufigkeitswörterbüchern (Häufigkeit als linguistisch relevante Kategorie) in den Vordergrund gestellt wird (Udarceva 1958; Grigorjan 1958; Kotov 1958 und Frumkina 1958). Ohne an dieser Stelle weiter auf die wissenschaftsgeschichtliche Relevanz dieser Konferenz und deren Bedeutung für die maschinelle Übersetzung eingehen zu können (vgl. Rozencvejg 1959; Uspenskij 1959; Uspenskij 1993, 130 ff.), zeigt sich für die QL in erster Linie eine aus praktischen Überlegungen abgeleitete Propagierung quantitativer Methoden in der maschinellen Übersetzung. Dies zeigt sich vor allem auch daran, dass in der Tat den statistischen Methoden ein fester Platz innerhalb der Sprachwissenschaft zugewiesen wird. Wenn auch die vorgestellten Arbeiten zum Teil nur explorativen Charakters sind, so bestätigt sich ungeachtet dessen, dass auch und gerade die Diskussion um die maschinelle Übersetzung als ein wesentlicher Baustein bei der Herausbildung der sowjetischen quantitativen Linguistik anzusehen ist.

6.

Quantitative Untersuchungen im Kontext der Kybernetik und Semiotik

Die Entwicklung der quantitativen Linguistik steht wissenschaftshistorisch weiterhin in engem Zusammenhang mit der Entwicklung der Kybernetik und Semiotik, die sich mit Begriffen wie Systemtheorie, Steuerungsmechanismen in Systemen, Automatisierung von unterschiedlichen Prozessen, Informationstheorie und allgemeiner Zeichentheorie umreißen lassen. Abgesehen von der recht turbulenten Anfangsgeschichte (die Hintergründe der allmählichen Rehabilitierung bzw. die Anfänge der Kybernetik sind in Poletaev (1998) ausführlich dargelegt; des Weiteren ist darin auch der in diesem Kontext erwähnenswerte Disput im Jahre 1959 zwischen den naturwissenschaftlichen und humanitären Disziplinen (Streit der Physiker und Lyriker) ausführlich dargelegt,) dieser

Disziplin in der Sowjetunion K die Kybernetik wurde aus ideologischen Gründen als Pseudowissenschaft disqualifiziert K zeichnet sich ab der Mitte der fünfziger Jahre ein etwas anderes Bild ab: Neben einigen zentralen kybernetischen Abhandlungen, die zu dieser Zeit erstmals ins Russische übersetzt wurden (vgl. Wiener 1948; Ashby 1956) zeugen erste sowjetische Publikationen zu diesem Themengebiet von der Dynamik dieser wissenschaftlichen Disziplin (vgl. Jaglom/Jaglom 1957; Poletaev 1958; Poletaev 1962). Allgemeine Fragen der Herausbildung und Entwicklung der Kybernetik in der Sowjetunion sind in den unlängst erschienenen „Očerki istorii informatiki v Rossii“ (1998) erschöpfend dargestellt, so dass an dieser Stelle unmittelbar auf die stimulierende Rolle der Kybernetik und Semiotik für die QL eingegangen werden kann. Es ist offenbar nicht davon auszugehen, dass die statistische Analyse von sprachlichen Phänomenen an und für sich von unmittelbarer Bedeutung für die frühe Kybernetik gewesen ist. Vielmehr zeigt sich K wie auch aus dem Artikel von Kolmogorov (1958, 149 ff.) in der 2. Auflage der „Bol’šaja sovetskaja ėnciklopedija“ deutlich wird K dass die Kybernetik u. a. in zentraler Weise den Begriff der Information (Kommunikationssysteme, automatische Verarbeitung und Speicherung sprachlicher Daten etc.) in Betracht zieht. Die sich daraus ergebende Forderung nach der automatischen Verarbeitung sprachlicher Zeichensysteme wird später nicht nur eine entscheidende Rolle bei der Entwicklung der Informatik und der Computerlinguistik (vyčislitel’naja lingvistika) spielen, sondern auch einen stimulierenden Einfluss auf die QL ausüben. Dies zeigt sich vor allem aufgrund der Tatsache, dass die statistische Linguistik an der automatischen Verarbeitung von größeren Datenmengen interessiert ist, wie dies dann beispielsweise bei der automatisierten Erstellung von Häufigkeitswörterbüchern in den sechziger und siebziger Jahren realisiert werden sollte. Betrachtet man den wissenschaftshistorischen Rahmen der Entwicklung und Institutionalisierung von kybernetischen und semiotischen Untersuchungen, so sind zwei Ereignisse als entscheidend für die weitere Entwicklung zu nennen: (a) Von zentraler Bedeutung für die Entwicklung der strukturellen, mathemati-

4. Neuanfang und Etablierung quantitativer Verfahren in der sowjet. Sprach- und Literaturwissenschaft 75

schen (quantitativen), kybernetischen Linguistik und in der unmittelbar dazu entstehenden Semiotik erweist sich die Tätigkeit von A. I. Berg (1893K1979), der auf wissenschaftspolitischer Ebene massives Interesse an derartigen Untersuchungen zeigte (vgl. Ivanov 1998, 257) und fördernd deren Entwicklung propagierte. So wird im Januar 1959 unter seiner Führung (als sein Stellvertreter fungierte der Mathematiker A. A. Ljapunov) bei der Akademie der Wissenschaften der UdSSR ein „Naučnyj sovet po kompleksnoj probleme Kibernetika“ [Wissenschaftlicher Rat zum komplexen Problem Kybernetik] eingeführt. Innerhalb dieses Kollegiums wird eine eigene linguistische Sektion unter der Leitung von Vjač. Vs. Ivanov und der Mitarbeit von Linguisten und Mathematikern wie O. S. Kulagina, A. A. Reformatskij, I. I. Revzin, Ju. D. Rozencvejg u. a. gebildet. Das zentrale Augenmerk ist dabei auf die Ausarbeitung der mathematischen, strukturellen und statistischen Linguistik (unter Betonung der allgemeinen Rolle dieser Richtungen für die theoretische Linguistik) für die Probleme der maschinellen Übersetzung und automatisierten Informationssuche ausgerichtet (vgl. Ivanov 1998, 259). (b) Der massiven Intervention von A. I. Berg ist es zu verdanken, dass neue Methoden der kybernetischen und semiotischen Linguistik auf wissenschaftspolitischer Ebene eine entsprechende Resonanz erlangten (vgl. Ivanov 1998, 257). Davon zeugt die Resolution des Präsidiums der Akademie der Wissenschaften der UdSSR mit dem Titel „O razvitii strukturnych i matematičeskich metodov issledovanija jazyka“ (vgl. Grigor’ev 1960) vom 2. Mai 1960, welche auf Initiative von A. I. Berg hin entstand. Daraus resultierte die Schaffung des Sektors für strukturelle Typologie im Rahmen des „Institut slavjanovedenija i balkanistiki“ [Instituts für Slawistik und Balkanistik] der Sowjetischen Akademie der Wissenschaften (vgl. Nikolaeva 1997), dem zunächst V. N. Toporov, dann Vjač. Vs. Ivanov vorstanden. Die Arbeit dieses Sektors war wesentlich auf strukturalistische und semiotische Forschungen ausgerichtet und zeitigte K insbesondere in den Anfängen

der sowjetischen Semiotik K auch ein ausgeprägtes Interesse an der statistischen und wahrscheinlichkeitstheoretischen Erforschung von sprachlichen Zeichensystemen. (Der Sektor für strukturelle Typologie sollte dann K unter wesentlicher Initiative von Vjač. Vs. Ivanov K u. a. 1962 das erste explizit semiotische Symposium in der UdSSR mitorganisieren. Aus diesen Beschäftigungen ging nur wenig später die berühmte Moskauer/Tartuer Schule hervor, die weltweit von Bedeutung bei der Herausarbeitung semiotischer, insbesondere kultursemiotischer Konzeptionen war. Insofern äußert sich hier eine überaus charakteristische K wenn auch aufgrund äußerer Umstände zeitweise unterbrochene K Tradition, der zufolge in der russischen Wissenschaftsgeschichte eine enge Verbindung zwischen der Propagierung exakt-wissenschaftlicher (unter Einschluss mathematischer) und semiotischer Ansätze (vgl. Grzybek 1999; vgl. Art. Nr. 3) im Bereich der Sprach- und Literaturwissenschaft zu beobachten ist.) Als bedeutsam für die Verbreitung von aus damaliger Sicht neuen Ideen der strukturellen und kybernetischen Linguistik ist vor allem auch eine vom 23.K27. September 1961 in Gor’kij abgehaltene Konferenz zu nennen. Dort wurden explizit Fragen der Anwendung von mathematischen Methoden bei der Analyse von poetischer Sprache vorgestellt. Was bereits für die Konferenz von Černovcy 1960 festgestellt wurde K nämlich die Nichtpublikation der Ergebnisse K gilt auch für diese Konferenz. Allerdings lässt sich zumindest aus der entsprechenden Zusammenfassung der dort diskutierten Themen in der Rezension von Revzin (1962) unter dem Titel „Soveščanie v g. Gor’kom, posvjaščennoe primeneniju matematičeskich metodov k izučeniju jazyka chudožestvennoj literatury“ [Konferenz in Gor’kij zu mathematischen Methoden der Erforschung von künstlerischer Literatur] und den Besprechungen der Konferenz von Žolkovskij (1962), Ermilova (1962), Eimermacher (1971, 12K15) und Seyffert (1985, 67K79) insgesamt ein zuverlässiges Gesamtbild dieser Konferenz rekonstruieren. Demnach wird im Gegensatz zu den bisher vorgestellten Konferenzen weniger über die prinzipiellen Möglichkeiten der mathe-

76 matischen und statistischen Analyse von Sprache und den allgemeinen Zusammenhang von Strukturalismus, Kybernetik und Mathematik in der Linguistik diskutiert, sondern es werden erstmals in einem derartigen Rahmen konkrete Untersuchungen literarischer Texte vorgestellt. Somit erfährt die statistische und kybernetische Linguistik zu diesem Zeitpunkt eine Erweiterung ihres Untersuchungsgegenstandes auf literaturwissenschaftliche Fragestellungen. Eine zentrale Rolle dabei spielte demnach in jeder Sicht das Auftreten des berühmten Mathematikers und Wahrscheinlichkeitstheoretikers A. N. Kolmogorov und seiner Schüler A. V. Prochorov, N. G. Ryčkova und A. M. Kondratov, die im Rahmen des Lehrstuhls für Wahrscheinlichkeitstheorie an der MGU an Fragen der statistischen Analyse von Sprache arbeiteten. So forderte Kolmogorov ganz im Lichte von kybernetischen und informationstheoretischen Überlegungen die streng formale Bestimmung einiger Begriffe der Verskunde, um der Frage von statistischen Gesetzmäßigkeiten in gebundener Sprache (Poesie, Lyrik) nachgehen zu können (vgl. Revzin 1962, 286 ff.). Ausgehend von dieser programmatischen Forderung ist auf einige in diesem Zusammenhang entstandene Arbeiten zu verweisen: So beschäftigten sich Kondratov (1962b), Kolmogorov/Kondratov (1962) und Kolmogorov (1963) im Rahmen von systematischen Versanalysen einer Reihe von Werken Majakovskijs mit der Frage, inwiefern dieser einen neuen Verstypus gegenüber der klassischen syllabo-tonischen Dichtung geschaffen hat. In zwei weiteren Arbeiten von Kolmogorov/Prochorov (1963; 1964) wird auf die statistische Analyse eines spezifisch russischen Versmaßes, des sog. dol’nik, in der russischen Poesie des 20. Jahrhunderts eingegangen. Neben diesen Arbeiten, die explizit an die versstatistischen Untersuchungen der zwanziger Jahre wie Belyj, Tomaševskij und Šengeli u. a. anschließen (vgl. Art. Nr. 3), war auf der Konferenz von Gor’kij ein weiterer thematischer Block der Informationstheorie im Sinne von Shannon und Weaver, angewandt auf poetische Texte, gewidmet. Wie aus der Rezension von Ermilova (1962, 75 ff.) ersichtlich ist, gehen Kolmogorov und Ryčkova dabei näher auf die Berechnung der Entropie als Maß für den Informationsgehalt von literarischen Texten ein, wobei darauf aufbauend K so wird es vorgeschla-

I. Allgemeines / General

gen K informationstheoretische Modelle der poetischen Sprache entworfen werden können. Das Interesse von Kolmogorov an poetischer Sprache und kybernetischer Linguistik ist in einem literaturwissenschaftlichen Kontext jedoch auch mit der allgemeinen Forderung nach einer exakten Literaturwissenschaft zu sehen. Die damit einhergehende Formalisierung und Quantifizierung ist aufs engste mit der Frage der genauen terminologischen Fixierung verbunden. Auf wissenschaftsgeschichtlicher Ebene spiegeln die Arbeiten von Kolmogorov in gewisser Weise den Geist der technisch-wissenschaftlichen Revolution in den sechziger Jahren wider K vgl. dazu auch die retrospektive Bewertung dieser Arbeiten in Ivanov (1998, 330 ff.) und insbesondere Uspenskij (1997). Als Beispiel dafür sei an dieser Stelle auch die populärwissenschaftliche Schrift von A. M. Kondratov (1962a), „Matematika i poėzija“ [Mathematik und Poesie], erwähnt. Als weiterer bedeutender Beitrag für die Entwicklung der quantitativen Linguistik ist die Arbeit von Segal (1961) zu bezeichnen, der auf der Grundlage des Zipf’schen Gesetzes und der daraus resultierenden Parameter offensichtlich erstmals im sowjetischen Kontext die Frage einer quantitativen Texttypologie behandelt. Ein weiterer Teilnehmer, B. N. Golovin, der auch in weiterer Folge intensiv an Fragen zur quantitativen Bestimmung des literarischen Stils arbeitete (Golovin 1965; 1968; 1971; 1974), stellt bei dieser Konferenz K so Revzin (1962) K erste Versuche einer statistischen Syntaxanalyse auf der Grundlage von Autosemantika bei L. N. Tolstoj und I. S. Turgenev vor. Zusammenfassend ist somit festzustellen, dass diese Konferenz gegenüber den bisher dargestellten Konferenzen als eine Weiterentwicklung anzusehen ist: Abgesehen von der Tatsache, dass allgemeine Forderungen nach formalen Methoden in der Literaturwissenschaft und der automatisierten Analyse von Literatur erhoben werden, werden vor allem erstmals kybernetische und informationstheoretische Untersuchungen von poetischen Texten vorgestellt. Somit zeigt sich an dieser Stelle explizit eine Übertragung von quantitativen Methoden der Linguistik auch auf literaturwissenschaftliche Fragestellungen. In diesem Zusammenhang ist auch K und damit lässt sich auch ein vorläufiger Zwischenstand der Entwicklung der quantitati-

4. Neuanfang und Etablierung quantitativer Verfahren in der sowjet. Sprach- und Literaturwissenschaft 77

ven Linguistik in der Sowjetunion festhalten K das vom erwähnten Sektor für strukturelle Typologie und dem Wissenschaftlichen Rat zum komplexen Problem Kybernetik organisierte „Simpozium po strukturnomu izučeniju znakovych sistem“ [Symposium zur strukturellen Erforschung von Zeichensystemen] im Jahre 1962 in Moskau zu nennen. Im Anschluss an die Gor’kij-Konferenz werden im Kontext von kybernetischen und semiotischen Überlegungen genuin literaturwissenschaftliche Fragestellungen in Angriff genommen. Den veröffentlichten Thesen zu diesem Symposium (vgl. „Simpozium po strukturnomu izučeniju znakovych sistem“ 1962) ist zu entnehmen, dass es in der speziell eingerichteten Sektion „Strukturnoe i matematičeskoe izučenie literaturnych proizvedenij“ [Strukturelle und mathematische Erforschung von literarischen Werken] u. a. von Žolkovskij/Ščeglov (1962, 138 ff.) prinzipiell um Fragen einer strukturellen Poetik ging, die sich als Übertragung von strukturellen Methoden auf die Literaturwissenschaft versteht. Des Weiteren wurden informationstheoretische Abhandlungen zu poetischen Fragen (vgl. Kondratov 1962c) und quantitative Untersuchungen des Kolmogorov-Schülers M. L. Gasparov vorgestellt (vgl. Gasparov 1962, u. a. weitere versstatistische Arbeiten Gasparov 1965; 1967; 1968; 1972). Es lässt sich somit als eine wesentliche Tendenz im Zuge der Entwicklung der quantitativen Linguistik in der Sowjetunion Anfang der 60er Jahre eine Ausweitung dominant sprachwissenschaftlich motivierter Fragestellungen und Herangehensweisen auf die Analyse auch literarischer Texte festhalten, die ja nicht zuletzt eines der wesentlichen Charakteristika der frühen russischen bzw. sowjetischen Ansätze war. Damit scheint der Punkt für eine umfassende Etablierung und gleichzeitige Diversifizierung dieser Disziplin erreicht.

7.

Resümee

Die in der vorliegenden Darstellung behandelten Neuanfänge der quantitativen Linguistik in der Sowjetunion konzentrieren sich auf die Jahre 1956 bis 1962. Diese chronologische Einengung ist bedingt durch die zahlreichen und komplexen Implikationen auf (wissenschafts-)politischer und kultureller Ebene, die in diesem Zeitraum nicht von der

Herausbildung der quantitativen Forschungen zu trennen sind. Die QL stellt sich dabei nicht als eine in sich geschlossene und klar abgegrenzte Disziplin dar, sondern als vielfach mit anderen Disziplinen (vor allem der Kybernetik, der Semiotik, der Theorie der maschinellen Übersetzung) verwoben. Im Unterschied zur Entwicklung der quantitativen Linguistik in anderen Ländern, wie etwa in Deutschland, Frankreich u. a. lassen sich für die sowjetische QL eine Reihe spezifischer Kennzeichen feststellen: (a) Die sowjetische QL erfährt in den Jahren 1956 bis 1962 einen immensen Aufschwung, der sich nicht zuletzt durch die besondere Lage der sowjetischen Sprachwissenschaft in diesen Jahren erklären lässt. Nach einem ideologisch motivierten Stillstand der sowjetischen Linguistik (Neue Lehre von Marr) und politischen, wissenschaftsexternen Eingriffen in methodologische und inhaltliche Fragen der Sprachwissenschaft kommt es zu einer dynamischen Diskussion struktureller Methoden. Obwohl weiterhin eine dogmatisch-ablehnende Auffassung gegenüber den philosophischen Implikationen des Strukturalismus vorherrscht, erlangen quantitative Methoden vor allem auch in Hinsicht auf die praktische Verwertbarkeit der Ergebnisse einen besonders förderungswürdigen Status. Diese Feststellung gilt im Allgemeinen auch für die in diesem Zeitraum aufkommende maschinelle Übersetzung, kybernetische und semiotische Ideen, die ebenfalls als Ausgangspunkt und Stimulus für quantitative Studien sprachlicher Phänomene anzusehen sind. (b) Dies zeigt sich auch an der umfangreichen institutionellen Förderung von quantitativen Methoden innerhalb eines strukturalistischen Grundrahmens: Charakteristisch ist für den genannten Zeitraum einerseits die Schaffung von wissenschaftlichen Institutionen mit einer expliziten Ausrichtung auf die quantitative Erforschung von Sprache, andererseits die Organisation einer ganzen Reihe von wissenschaftlichen Konferenzen in den Jahren 1956K1962, die ganz oder teilweise der quantitativen sprachwissenschaftlichen Problematik gewidmet sind. (c) Aus inhaltlicher Sicht präsentieren sich die Ergebnisse der sowjetischen quanti-

78

I. Allgemeines / General

tativen Linguistik K chronologisch gesehen K als eine sukzessive Erweiterung des Objektes: angefangen von Untersuchungen, die vor dem Hintergrund der Verbesserung der technischen Übertragung von Information, der Erstellung von Häufigkeitswörterbüchern zu Zwecken der maschinellen Übersetzung bis hin zu quantitativen Untersuchungen von literarischen Texten reichen. Anzumerken bleibt, dass in einer Reihe von Arbeiten bewusst auf russische Vorläufer der quantitativen Linguistik in den ersten Jahrzehnten des 20. Jh.s verwiesen wird. Dabei wird freilich keine systematische Auseinandersetzung mit, bzw. Aufarbeitung von den eigenen geschichtlichen Voraussetzungen geleistet (was die russische QL nicht wesentlich von der Tradition in anderen Ländern unterscheidet). Allerdings wird in der russischen QL der fünfziger und sechziger Jahre zum Teil explizit an die Tradition der zwanziger Jahre angeknüpft und somit eine eigentlich vorhandene Kontinuität (wieder-)hergestellt, zum Teil wird auch durch die Publikation von unveröffentlichtem oder Archivmaterial überhaupt erst einmal die Möglichkeit dieser Kontinuitätsbildung geschaffen. In diesem Sinne kann sich die russische quantitative Linguistik um die Mitte des 20. Jh.s in eine kontinuierliche K wenn auch durch zwanzigjährige Unterbrechung gekennzeichnete K Tradition innerhalb der russischen Sprach- und Literaturwissenschaft einordnen, was sie von vielen Vertretern dieser Disziplin in anderen Ländern unterscheidet.

8.

Literatur (in Auswahl)

Abaev, Vasilij I. (1960), Ob istorizme v opisatel’nom jazykoznanii. In: O sootnešenii [.] 1960, 56K63. Andreev, Nikolaj D. (1958), Meta-jazyk mašinnogo perevoda i ego primenenie. In: Materialy 1958, 1965, 40K60. Andreev, Nikolaj D. (1959), Modelirovanie jazyka na baze ego statističeskoj i teoretiko-množestvennoj struktury. In: Tezisy 1959, 15K22. Andreev, Nikolaj D. (Hrsg.) (1965), Statistikokombinatornoe modelirovanie jazykov. MoskvaKLeningrad. Andreev, Nikolaj D. (1967), Statistiko-kombinatornye metody v teoretičeskom i prikladnom jazykovedenii. Leningrad. Andreev, Nikolaj D./Zinder, Lev R. (1963), O ponjatijach rečevogo akta, reči, rečevoj verojat-

nosti i jazyka. In: Voprosy jazykoznanija 3, 15K 21. Andreeva, Lidia D. (1969), Statistiko-kombinatornye tipy slovoizmenenija i razrjady slov v russkoj morfologii. Leningrad. Ashby, W. Ross (1956), An introduction to cybernetics. London. [Übersetzung ins Russische: Ėšbi, U. Ross (1959), Vvedenie v kibernetiku. Pod red. V. A. Uspenskogo. Moskva.] Belousova, E. A. (1964), Statističeskij analiz glagol’nych form (Na materiale russkogo jazyka). In: Materialy konferencii „Aktual’nye voprosy sovremennogo jazykoznanija i lingvističeskoe nasledie E. D. Polivanova“, Tezisy dokladov i soobščenij mežvuzovskoj konferencii 9K15 sentjabrja 1964 g. Samarkand. Samarkand, 259K260. Bjulleten’ Ob’’edinenija po mašinnomu perevodu. Nr. 1 (1957) K Nr. 8 (1958) Moskva. Budagov, Ruben A./Vinogradov, Viktor V./Gornung, Boris V./Guchman, M. M./Desnickaja, A. V./ Serebrennikov, B. A. (1959), Teoretičeskie voprosy jazykoznanija. Vvedenie. In: Izvestija Akademii Nauk SSSR. Otdelenie literatury i jazyka. Tom XVIII, 209K216. Cižakovskij, Valentin A./Bektaev, Kaldybay B. (1986), Statistika reči: 1957K1985, Bibliografičeskij ukazatel’. Kišinev. Čistovič, L. A. (1958), Primenenie statističeskich metodov k opredeleniju fonetičeskoj prinadležnosti individual’nogo glasnogo zvuka. In: Voprosy statistiki reči 1958, 26K35. Dobrušin, Roland L. (1958), Značenie matematičeskich metodov v lingvistike. In: Tezisy konferencii [.] 1958, 14K15. Dobrušin, Roland L./Jaglom I. M. (1959), Teorija informacii i lingvistika. In: Tezisy soveščanija [.] 1959, 99. Eimermacher, Karl (1971), Entwicklung, Charakter und Probleme des sowjetischen Strukturalismus in der Literaturwissenschaft. In: (Hrsg. K. Eimermacher) Texte des sowjetischen literaturwissenschaftlichen Strukturalismus. München, 9K40. Ermilova, Elena (1962), Poėzija i matematika. In: Voprosy literatury 6(3), 71K82. Ermolenko, Georgij V. (1967), Tematičeskaja bibliografija rabot po lingvističeskoj statistike na russkom jazyke. Pod red. Ch. Ch. Mavhmudova. Alma-Ata. Ermolenko, Georgij V. (1970), Lingvističeskaja statistika. Kratkij očerk i bibliografičeskij ukazatel’. Pod red. Ch. Ch. Machmudova. Izd. 2-е, dop. Alma-Ata. Frumkina, Revekka M. (1958), Nekotorye problemy obrabotki glagolnych osnov s čeredovanijami pri sostavlenii algoritma mašinnogo perevoda dlja ispanskogo jazyka (statističeskoe obsledovanie). In: Tezisy konferencii [.] 1958, 62K63.

4. Neuanfang und Etablierung quantitativer Verfahren in der sowjet. Sprach- und Literaturwissenschaft 79 Frumkina, Revekka M. (1959), Metodika sostavlenija statističeskich slovarej. In: Tezisy soveščanija [.] 1959, 22K23. Frumkina, Revekka M. (1960), Primenenie statističeskich metodov v jazykoznaniju. In: Voprosy jazykoznanija 4, 129K133. Frumkina, Revekka M./Zolotarëv, V. M. (1959), K verojatnostnoj modeli predloženija. In: Tezisy soveščanija [.] 1959, 29. Gačečiladze, T. G./Cercvadze, G. N./Čikodze, G. B. (1959), Nekotorye zamečanija k metodu analiza probelov. In: Tezisy soveščanija [.] 1959, 34. Gasparov, Michail L. (1962), O ritmike russkogo trechudarnogo dol’nika. In: Simpozium 1962 [.], 143K149. Gasparov, Michail L. (1965), Vol’nyj chorej i vol’nyj jamb Majakovskogo. In: Voprosy jazykoznanija 3, 76K88. Gasparov, Michail L. (1967), Jamb i chorej sovetskich poėtov i problema ėvoljucii russkogo sticha. In: Voprosy jazykoznanija 3, 59K67. Gasparov, Michail L. (1968), Taktovik v russkom stichoslozenii XX v. In: Voprosy jazykoznanija 5, 79K90. Gasparov, Michail L. (1972), Metričeskij repertuar russkoj liriki XVIIIKXX vv. In: Voprosy jazykoznanija 1, 54K67. Gerd, Aleksandr S. (1993), Matematičeskaja i prikladnaja lingvistika v S.-Peterburgskom universitete. In: Strukturnaja i prikladnaja lingvistika, vyp. 4. Mežvuzovskij sbornik (pod redakciej A. S. Gerda). Sankt-Peterburg, 3K13. Golovin, Boris N. (1965), Opyt verojatnostno-statističeskogo izučenija nekotorych javlenij istorii russkogo literaturnogo jazyka XIXKXX vv. In: Voprosy jazykoznanija 3, 137K146. Golovin, Boris N. (1968), O stiljach jazyka i ich izučenii. In: Russkij jazyk v škole 4, 11K19. Golovin, Boris N. (1971), Jazyk i statistika. Moskva: Prosveščenie. Golovin, Boris N. (1974), Opyt primenenija korreljacionnogo analiza v izučenii jazyka. In: (Hrsg. B. N. Golovin) Voprosy statističeskoj stilistiki. Kiev, 5K16. Gornung, Boris V. (1960), Edinstvo sinchronii i diachronii kak sledstvie specifiki jazykovoj struktury. In: O sootnešenii [. . .] 1960, 5K21. Grigorjan, Vladimir M. (1958), O značenii faktora častotnosti dlja opredelenija stilističeskich funkcij slova. In: Tezisy konferencii [.] 1958, 36. Grigor’ev, Vladimir I. (1960), O razvitii strukturnych i matematičeskich metodov issledovanija jazyka. In: Voprosy jazykoznanija 4, 153K155. Grzybek, Peter (1999), Sowjetische und russische Konzeptionen der Semiotik. In: Handbuch der sprachwissenschaftlichen Russistik und ihrer Grenzdisziplinen. (Hrsg. H. Jachnow). Wiesbaden, 1274K1308.

Hutchins, John W. (2000), Early years in Machine Translation. Memoirs and Biographies of Pioneers. Amsterdam. [Z Amsterdam Studies in the Theory and History of Linguistic Sciences, Volume 97]. Ivanov, Vjačeslav Vs. (1957), Jazykoznanie i matematika. In: Bjulleten’ ob”edinenija po problemam mašinnogo perevoda 5, 5K10. Ivanov, Vjačeslav Vs. (1958a), Verojatnostnoe opredelenie lingvističeskogo vremeni (v svjzai s problemoj primenenija statističeskich metodov v sravnitel’no-istoričeskom jazykoznanii). In: Voprosy statistiki reči 1958, 62K72. Ivanov, Vjačeslav Vs. (1958b), Komitet po prikladnoj lingvistike. In: Voprosy jazykoznanija 3, 136K137. Ivanov, Vjačeslav Vs. (1958c), Lingvističeskie voprosy sozdanija mašinnogo jazyka dlja informacionnoj mašiny. In: Materialy 1958, 10K39. Ivanov, Vjačeslav Vs. (1958d), Teorema Gëdelja i lingvističeskie paradoksy. In: Tezisy konferencii [.] 1958, 42K43. Ivanov, Vjačeslav Vs. (1958e), Voprosy matematičeskoj i prikladnoj lingvistiki na VII meždunarodnom kongresse v Oslo. In: Bjulleten’ ob”edinenija po problemam mašinnogo perevoda 6, 3K26. Ivanov, Vjačeslav Vs. (1958 f.), Matematičeskaja lingvistika. In: Bol’šaja sovetskaja ėnciklopedija, t. 51. Moskva, 190. Ivanov, Vjačeslav Vs. (1960), Vystuplenija po dokladam. In: O sootnešenii [.] 1960, 77K80. Ivanov, Vjačeslav Vs. (1998), Iz prošlogo semiotiki, strukturnoj lingvistiki i poėtiki. In: Očerki 1998, 310K340. Jachnow, Helmut (1971), Der Strukturalismus in der sowjetischen Sprachwissenschaft. In: Šaumjan, S. (1971), Strukturale Linguistik. Hrsg., übersetzt sowie mit einem Vor- und einem Nachwort versehen von Wolfgang Girke und Helmut Jachnow. München, 9K29. Jaglom, Isaak M./Dobrušin, Roland L./Jaglom, A. M. (1960), Teorija informacii i lingvistika. In: Voprosy jazykoznanija 1, 100K110. Jaglom, A. M./Jaglom, Isaak M. (1957), Verojatnost’ i informacija. Moskva. [Deutsch: Wahrscheinlichkeit und Information. Berlin, 1960] Kelih, Emmerich (in Vorb.), Kulturwissenschaftliche Aspekte quantitativer Verfahren in der russischen Sprach- und Literaturwissenschaft. Diss., Universität Graz. Kempgen, Sebastian (1995), Russische Sprachstatistik. Systematischer Überblick und Bibliographie. München. [Z Vorträge und Abhandlungen zur Slavistik, Band 26]. Kempgen, Sebastian (1999), Quantitative Aspekte. In: Handbuch der sprachwissenschaftlichen Russistik und ihrer Grenzdisziplinen. (Hrsg. H. Jachnow) Wiesbaden 1999, 525K550.

80 Kibrik, Aleksandr E. (2001), Kafedra i otdelenie strukturnoj/teoretičeskoj i prikladnoj lingvistiki (OSIPL/OTIPL). In: Filologičeskij Fakul’tet Moskovskogo Universiteta: očerki istorii. (Hrsg. M. L. Remenova). Moskva, 349K372. Kolmogorov, Andrej N. (1958): Kibernetika. In: Bol’šaja sovetskaja ėnciklopedija, t. 51. Moskva, 149K151. Kolmogorov, Andrej N. (1963), K izučeniju ritmiki Majakovskogo. In: Voprosy jazykoznanija 4, 64K 71. Kolmogorov, Andrej N./Kondratov, Aleksandr M. (1962), Ritmika poėm Majakovskogo. In: Voprosy jazykoznanija 3, 62K74. Kolmogorov, Andrej N./Prochorov, Aleksandr V. (1963), O dol’nike sovremennoj russkoj poėzii (Obščaja charakteristika). In: Voprosy jazykoznanija 6, 84K95. Kolmogorov, Andrej N./Prochorov, Aleksandr V. (1964), O dol’nike sovremennoj russkoj poėzii (Statističeskaja charakteristika dol’nika Majakovskogo, Bagrickogo, Achmatovoj). In: Voprosy jazykoznanija 1, 75K94. Kondratov, Aleksandr M. (1962a), Matematika i poėzija. Moskva. Kondratov, Aleksandr M. (1962b), Ėvoljucija ritmiki V. V. Majakovskogo. In: Voprosy jazykoznanija 5, 101K108. Kondratov, Aleksandr M. (1962c), Teorija informacii i poėtika. In: Simpozium 1962, 142. Kotov, R. G. (1958), Lingvističeskaja statistika tekstov russkogo jazyka. In: Tezisy konferencii [.] 1958, 48K49. Kulagina, Ol’ga S. (2000), Pioneering MT in Soviet Union. In: Hutchins (Hrsg.) (2000), 197K204. Ljapunov, Aleksej A./Kulagina, Ol’ga S. (1958), O rabotach po mašinnomu perevodu matematičeskogo instituta AN SSSR. In: Tezisy konferencii [.] 1958, 18K19. Lomkovskaja, M. V. (1959), I vsesojuznoe soveščanie po matematičeskoj lingvistike. In: Uspechi matematičeskich nauk, t. XIV, vyp. 6 (90), 213K 222. Mašinnyj perevod i prikladnja lingvistika. Nr. 1 (1959) K Nr. 20 (1980). Materialy po mašinnomu perevodu. Sbornik 1. (1958). [Z Materialy 1958] Mel’čuk, Igor’ A. (1958), Statistika i zavisimost’ roda francuzskich suščevitel’nych ot ich okončanija. In: Bjulleten’ Ob’’edinenija po problemam mašinnogo perevoda. Moskva. Institut innostranych jazykov, 7; 13K40. [Übersetzung ins Englische: Mel’čuk, I. A. (1974), Statistics and the relationship between the gender of French nouns and their endings. In: Rozencvejg (1974), 11K42.] Mel’čuk, Igor’ A. (1998), Kak načinalas’ matematičeskaja lingvistika. In: Očerki 1998, 358K370.

I. Allgemeines / General Mel’čuk, Igor’ A. (2000), Machine translation and formal linguistics in the USSR. In: Hutchins (Hrsg.) 2000, 205K226. Mološnaja, Tat’jana M. (2000), My memoirs of MT in the Soviet Union. In: Hutchins 2000, 227K232. Nikolaeva, Tat’jana M. (1997), Vvedenie. In: Iz rabot moskovskogo semiotičeskogo kruga. (Sostavlenie i vystupitel’naja stat’ja T. M. Nikolaevoj). Moskva. (VIIKXLIX). O nekotorych aktual’nych zadačach sovremennogo sovetskogo jazykoznanija (1956). In: Voprosy jazykoznanija 4, 3K13. O rabotach po strukturnomu analizu jazyka: Rešenie Bjuro Otedelenija literatury i jazyka ot 7K8 ijulja 1959 g. (protokol Nr. 16). In: Izvestija Akademii Nauk SSSR. Otdelenie literatury i jazyka XIX, 1960, 74K77. [Z O rabotach (.)] O sootnešenii sinchronogo analiza i istoričeskogo izučenija jazykov. (Hrsg. M. M. Guchman/E. A. Bokarev). Moskva 1960. [Z O sootnešnii (. . .) 1960] Obščee i prikladnoe jazykoznanie. Ukazatel’ literatury, izdannoj v SSSR s 1963 po 1967 god. (Otvetstvennye redaktory R. R. Mdivani/A. A. Reformatskij). Moskva, 1972. Očerki (1998): Očerki istorii informatiki v Rossii. (Redaktory-sostaviteli Pospelov, D. A./Fet, Ja. I. ). Novosibirsk 1998. Padučeva, Elena V. (1958), Statističeskoe issledovanie struktury sloga. In: Voprosy statistiki reči 1958, 100K111. Papp, Ferenc (1964), Mathematische und strukturelle Methoden in der sowjetischen Sprachwissenschaft. In: Acta Linguistica Academiae Scientiarum Hungaricae XIV, 119K137. Papp, Ferenc (1966), Mathematical Linguistics in the Soviet Union. [Z Janua Linguarum, Series Minor, XL]. The Hague. Piotrovskaja, Anna A./Piotrovskij, Rajmond G./ Razživin, K. A. (1962), Ėntropija russkogo jazyka. In: Voprosy jazykoznanija 6, 115K130. Piotrovskij, Rajmond G. (1958), Nekotorye voprosy statističeskogo obsledovanija leksičeskich grupp. In: Voprosy statistiki reči 1958, 85K92. Piotrovskij, Rajmond G. (1959), Problema mesta v slove u ėlementov nesuščich informaciju. In: Tezisy soveščanija [.] 1959, 37K38. Piotrovskij, Rajmond G. (1960), Ešče raz o differencial’nych priznakach fonem. In: Voprosy jazykoznanija 6, 24K38. Piotrovskij, Rajmond G. (2000), Machine Translation in the former USSR and in the newly independent states (NIS) prehistory, romantic era, prosaic time. In: Hutchins (Hrsg.) 2000, 233K251. Poletaev, Igor’ A. (1958), Signal. Moskva. Poletaev, Igor’ A. (1962), Kybernetik. Eine Einführung in eine neue Wissenschaft. Berlin.

4. Neuanfang und Etablierung quantitativer Verfahren in der sowjet. Sprach- und Literaturwissenschaft 81 Poletaev, Igor’ A. (1998), Voennaja kibernetika, ili Fragment istorii otečestvennoj lženauki. In: Očerki 1998, 515K531. Polivanov, Evgenij D. (1931), I matematika možet byt’ poleznoj. In: Za marksistskoe jazykoznanie. Moskva, 173K181. Reformatskij, Aleksandr A. (1960), Principy sinchronnogo opisanija jazyka. In: O sootnešenii [.] 1960, 22K38. Revzin, Isaak I. (1958), O sootnešenii strukturnych i statističeskich metodov v sovremennoj lingvistike. In: Voprosy statistiki reči 1958, 45K57. Revzin, Isaak I. (1962), Soveščanie v g. Gor’kom, posvjaščennoe primeneniju matematičeskich metodov k izučeniju jazyka chudožestvennoj literatury. In: Strukturno-tipologičeskie issledovanija. Sbornik statej, otvetstvennyj redaktor Mološnaja, T. N. Moskva, 285K292. Revzin, Isaak I. (1997), Vospominanija (Publikacija O. G. Revzinoj). In: Iz rabot moskovskogo semiotičeskogo kruga. Sostavlenie i vstuplenie T. M. Nikolaevoj. Moskva, 791K838. Rozencvejg, Viktor Ju. (1958), Raboty po mašinnomu perevodu s inostrannych jazykov na russkij i s russkogo na inostranye v Sovetskom Sojuze. Moskva. Rozencvejg, Viktor Ju. (1959), Itogi raboty teoretičeskoj sekcii. In: Mašinnyj perevod i prikladnaja lingvistika. Vyp. 1. Moskva, 27K30. Rozencvejg, Viktor Ju. (Hrsg.), Machine translation and applied linguistics. Frankfurt am Main, [Z Soviet papers in formal linguistics 16] 11K 42, 1974. Rozencvejg, Viktor Ju./Revzin, Isaak I. (1958), Obščaja teorija perevoda v svjazi s mašinnym perevodom. In: Tezisy konferencii 1958, 26K27. Segal, Dmitrij M. (1961), Nekotorye utočnenija verojatnostoj modeli Cipfa. In: Mašinnyj perevod i prikladnaja lingvistika, Vyp. 5, 51K55. Segal, Dmitrij (1974), Aspects of Structuralism in Soviet Philology. Tel-Aviv. [Z Papers on Poetics and Semiotics 2]. Seyffert, Peter (1985), Soviet Literary Structuralism. Background. Debate. Issues. Columbus: Ohio. Simpozium 1962 [.]: Simpozium po strukturnomu izučeniju znakovych sistem. Moskva. Spitzbardt, Harry (1967), Zur Entwicklung der Sprachstatistik in der Sowjetunion. In: Wissenschaftliche Zeitschrift der Friedrich-Schiller-Universität Jena Gesellschafts- und Sprachwissenschaftliche Reihe, 16 (4); 471K490. Steblin-Kamenskij, M. I. (1958), Značenie mašinnogo perevoda dlja jazykoznanija. In: Materialy 1958, 3K9. Strukturnoe i prikladnoe jazykoznanie. Bibliografičeskij ukazatel’ literatury, izdannoj v SSSR c 1918

po 1962 g. (Hrsg. A. A. Reformatskij). Moskva, 1965. Šaumjan, Sebastian K. (1956), O suščnosti strukturnoj lingvistiki. In: Voprosy jazykoznanija 5, 38K54. Šaumjan, Sebastian K. (1960), O problemnoj zapiske „Teoretičeskie voprosy jazykoznanija“. In: Izvestija Akademii Nauk SSSR. Otdelenie literatury i jazyka. Tom XIX, 71K74. Širokov, Oleg S. (1961), Konferencija po strukturnoj i matematičeskoj lingvistike. In: Voprosy jazykoznanija 1, 155K159. Tezisy konferencii po mašinnomu perevodu (15K21 maja 1958 goda). Moskva. Tezisy soveščanija po matematičeskoj lingvistike (15K21 aprelja 1959 goda). Leningrad. Toporov, Vladimir N. (1959a), Vvedenie verojatnosti v jazykoznanie i ego posledstvija. In: Tezisy soveščanija [.] 1959, 12K15. Toporov, Vladimir N. (1959b), O vvedenii verojatnosti v jazykoznanie. In: Voprosy jazykoznanija 6, 28K35. Udarceva, M. G. (1958), Častotnost’ leksičeskich edinic v anglijskoj geologičeskoj literature. In: Tezisy konferencii [.] 1958, 60K61. Uspenskij, Vladimir A. (1958), Soveščanie po statistike reči. In: Voprosy jazykoznanija 1, 170K173. Uspenskij, Vladimir A. (1959), Itogi raboty sekcii algoritmov mašinnogo perevoda. In: Mašinnyj perevod i prikladnaja lingvistika. Vyp. 1 (8). Moskva, 31K62. [Repr.: Uspenskij, V. A. (2002), Trudy po Nematematike. S priloženiem semiotičeskich poslanij A. N. Kolmogorova k avtoru i ego druz’jam. Moskva, 314K333]. Uspenskij, Vladimir A. (1993), Serebrjanyj vek strukturnoj, prikladnoj i matematičeskoj lingvistiki v SSSR: Kak ėto načinalos’ (zametki očevidca). In: Wiener Slawistischer Almanach, Sonderband 33: Festschrift für Viktor Jul’evič Rozencvejg zum 80. Geburtstag, 119K162. Uspenskij, Vladimir A. (1997), Predvarenie dlja čitatelej „Novogo literaturnogo obozrenija“ k semiotičeskim poslanijam Andreja Nikolaeviča Kolmogorova. In: Novoe literaturnoe obozrenie 24, 22K215. Varšavskij, L. A. (1958), Značenie statističeskich issledovanij reči dlja techniki. In: Voprosy statistiki reči 1958, 5K11. Volockaja, Z. M./Šelimova, I. N./Šumilina, A. L./ Mel’čuk, Igor’ A./Mološnaja, T. N. (1958), O russkom slovare častotnosti na materiale matematičeskich tekstov. In: Voprosy statistiki reči 1958, 93K99. Voprosy statistiki reči (materialy soveščanija) (1958), (Hrsg. L. R. Zinder). Leningrad. Wiener, Norbert (1948), Cybernetics or control and communication in the animal and the machine. Paris. [Übersetzung ins Russische: Viner, N.

82

I. Allgemeines / General

(1958), Kibernetika, ili upravlenie i svjazi v životnom in mašine. Moskva.] Zasorina, Lidija N. (1966), Avtomatizacija i statistika v leksikografii. (Rabota nad častotnym slovarem russkogo jazyka). Leningrad. Zinder, Lev R. (1957), O lingvističeskoj verojatnosti. In: Voprosy statistiki reči 1958, 58K61. Zinder, Lev R. (1958), O lingvističeskoj verojatnosti. In: Voprosy jazykoznanija 2, 121K125. Zolotarëv, V. M. (1959), Verojatnostnaja model’ predloženija. In: Tezisy soveščanija [.] 1959, 28. Železnov, N. A. (1958), Ėnergetičeskie charakteristiki i interval korreljacii stochastičeskich meto-

dov k opredeleniju fonetičeskoj prinadležnosti individual’nogo glasnogo zvuka. In: Voprosy statistiki reči 1958, 12K25. Žolkovskij, Aleksandr K. (1962), Soveščanie po izučeniju poėtičeskogo jazyka. In: Mašinnyj perevod i prikladnaja lingvistika, Vyp. 7, 88K101. Žolkovskij, Aleksandr K./Ščeglov, Jurij K. (1962), O vozmožnostjach postroenii strukturnoj poėtiki. In: Simpozium 1962, 138K141.

Emmerich Kelih/Peter Grzybek, Graz (Österreich)

5. Quantitative linguistics in Japan 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11.

Introduction The Middle Ages Before W. W. I (1850K1913) Before and during W. W. II (1914K1945) After W. W. II (1945K2002) Vocabulary Characters and orthography Text Sociolinguistics Conclusion Literature (a selection)

1.

Introduction

The Japanese people had advanced calculation capability from ancient times. The period from the 3rd century till the 9th century saw the construction of enormous graves, nearly 500 meters in length, extensive capital cities and huge temples, 45 to 55 meters in height. Money circulated widely, and the general public had the multiplication table memorized. Mathematics in Japan was in decline from the 10th till the 16th century, but higher mathematics began to develop in the 17th century. Seki Takakazu (1642K 1708) discovered methods of calculus and determinants before Leibnitz and Newton. Although Japanese people, as we have seen, had sufficient mathematical ability, the quantitative method was hardly adopted in linguistic research before the 19th century. However, since the level of mathematics in Japan was close to the level of the West, when the achievements of quantitative linguistics were transmitted from the West to Japan, the methods of investigation and analysis were easily understood. After 1945 mathematical statistics and multivariate analysis were speedily introduced into

Japan, leading to many groundbreaking achievements. Hereafter, I will survey Japanese quantitative linguistics.

2.

The Middle Ages

From ancient times to the 19th century, Japanese official documents were written in classical Chinese, so many kanji (Chinese character) dictionaries and Chinese-Japanese dictionaries have been produced from ancient times in Japan. The oldest existing Chinese-Japanese dictionary in the world is Shinsen Jikyou, which is in twelve volumes, edited 898K901. In this dictionary, the 21,400 headword kanji were divided into 160 groups based on radicals (distinctive component shapes of kanji), and the groups also were divided into twelve volumes based on semantic fields. Therefore, this dictionary can be regarded as a kind of thesaurus. This dictionary is noteworthy for giving the number of kanji in every group of every volume, as well as the total number of kanji. Therefore, it can also be regarded as a kanji frequency table organized according to semantic fields and form features. The same sort of kanji frequency tables are also found in other Chinese-Japanese dictionaries, e. g. Jikyooshuu, in twenty volumes, compiled around 1245.

3.

Before W. W. I (1850K1913)

3.1. Kanji In the 19th century, philologists began to study the total number of kanji (Chinese character) out of academic interest.

83

5. Quantitative linguistics in Japan

Ban Nobutomo (1773K1846) counted all kanji that appeared as headwords in a Chinese-Japanese dictionary Zoozoku Daikooekikai Gyokuhen Taizen (1691) and obtained the result of 39,567 kanji. However, he supposed that there must be more than this (Ban, 1850). Andoo Tsunemasa counted the total number of headword kanji in 15 kanji dictionaries edited from ancient times to modern times in China. And he observed the tendency of the number of kanji to increase over time (Andoo, 1909). There were 3,300 headword kanji in the first kanji dictionary Sookohen (B. C. 221). On the other hand, in the 15th kanji dictionary Kooki Jiten (1710K1716) the headword kanji had increased to 46,216 characters. And, furthermore, he studied a Chinese and Japanese dictionary Zootei Tenbun Shoochuu Nihon Daigyokuhen (1891) which was regarded as having the most headword kanji in the 19th century, and obtained the result of 49,450 characters. Then, although he presumed the total number of kanji to be about 50,000 characters, a figure which has not changed much to this day. 3.2. Vocabulary Quantitative studies of vocabulary are often believed to originate in the field of language education. However, in Japan, the study out of an academic interest has preceeded that of education. Ootsuki Fumihiko (1847K1928) edited the first modernistic dictionary of Japanese Genkai in 1884. He has studied the number of headwords in the dictionary, and appended a table giving the number of headwords according to source language to the back of the dictionary. The total number of the headwords is 39,103. In the table, there are loan words from Dutch, English, Spanish, Portuguese, French, and Korean. But, there are no loan words from German, Russian, and Italian. It shows the situation of extremely early modern Japanese. Even

from a global perspective, it is a quite early frequency distribution according to source language.

4.

Before and during W. W. II (1914K1945)

Terada Torahiko (1878K1935), a famous physicist, stated in an essay in the 1920s that mathematical statistics would certainly be useful to linguistics (Terada 1928). However, it was regrettable that his idea was not paid attention to Japanese linguists. 4.1. Phonemes In an investigation of the origin of the Japanese language, Kitazato Takeshi (1870K1960) investigated the number of Man’yoo-gana (ancient phonetic characters) and distinct syllables in 13 works of classical literature, and published frequency tables and graphs of them (Kitazato 1926, 1930). Although this investigation was the first sampling inspection of phonemes in Japan, it is uncertain whether it was based on the sampling method or not. Oonishi Masao conducted two frequency investigations. The subjects of the first investigation were single sounds and diphthongs of modern Japanese (Oonishi, 1932). The second subject was single sounds of ten languages (Oonishi, 1936). Oonishi’s investigations were influenced by Dewey (1923). 4.2. Kanji 4.2.1. Kanji in Chinese classics The first kanji investigation based on texts was Morimoto (1921) which investigated The four Chinese classics (B. C. 450KB. C. 305). In conjunction with the preparation of a index of The four Chinese classics, Morimoto counted total numbers of kanji types and tokens in the classics (Table 5.1). 4.2.2. Fundamental kanji The writing system in Japan is composed of three types: hiragana, katakana and kanji.

Table 5.1: The number of kanji in the four Chinese classics Material

Rongo (B. C. 450)

Daigaku (B. C. 433)

Chuuyoo (B. C. 431)

Mooshi (B. C. 305)

Shisho Total

Types Tokens

1,355 15,917

394 1,753

644 3,568

1,889 35,374

2,317 56,612

* Rongo: The Analects of Confucius, Mooshi: The Analects of Mencius, Shisho: The four Chinese classics

84 Hiragana and katakana are different versions of syllabic phonetic scripts. Both use some 72 characters to represent phonetic units. Kanji, which is morphographic script, has 50,000 or more characters. Kanji is used to represent semantic units, but not all are used in everyday life. Therefore, it was one of the main goals of reform of Japanese language to select fundamental kanji which are often used in everyday life. From the middle of the 19th century to the beginning the 20th century, there were many selections of fundamental kanji, which were not based on investigations of kanji in everyday life. Since the standards of selection were based on the scholar’s subjectivities, there were problems with each proposal. Finally, scholars who tried to obtain objective data by investigating kanji in many texts, appeared at the end of the 1920s. The fundamental vocabulary investigations of Kaeding (1897, 1898) and Thorndike (1921) became models of the investigating methods in Japan. Because kanji are morphophonemic characters, one kanji is mostly equivalent to one morpheme. Therefore, the vocabulary investigation methods were applicable as kanji investigation methods. In character surveys by the Cabinet Printing Bureau of the stenographic records of the Imperial Diet, the methods of descriptive statistics were introduced (the Cabinet Printing Bureau, 1929, 1935, 1941a, 1941b). In these investigations, not only kanji but also hiragana, katakana, alphabet letters, numerals and symbols were investigated. Therefore, it became the first in the world also as an investigation of the frequency ratio of kinds of Japanese characters and letters. Moreover, the frequency distribution graphs of kanji were also included for every investigation. When only kanji is counted, the number of tokens is some 3,280,000 and number of types is 3,948. Furthermore, when other characters and symbols are also counted, the number of tokens is some 6,100,000 and number of types is 4,067. After that, two large-scale kanji investigations were conducted. One was by Okazaki Jootaroo who studied 5 newspapers for 60 days (Okazaki, 1938). The number of kanjitokens was some 448,000 and the number of kanji-types was 3,542. Another was by Oonishi Masao who studied all sorts of sentence (Oonishi, 1941). The

I. Allgemeines / General

number of kanji-tokens was some 803,000 and the number of kanji-types was unknown. 4.3. Vocabulary In the early 20th century, vocabulary investigations were conducted for language education. 4.3.1. Passive vocabulary and lexical development The first investigation of passive vocabulary of juvenile was Sawayanagi/Tanaka/Nagata (1919). They investigated the passive vocabulary of the second graders in a primary school, and obtained an average of 4,000 words. After that, further investigations of passive vocabulary were performed, such as Naruhama Primary School in Chiba prefecture (1924) and the Primary School attached to the Normal School in Okayama prefecture (1935). The first investigation of lexical development in infants was by Kubo Yoshihide (1924). He observed the development process of his son’s vocabulary for every part of speech. The amount of his vocabulary was 295 words at the age of two, whereas it was increasing to 2,289 words by the age of six. After that, Ushijima/Moriwaki (1943) and the National Primary School attached to the Nagano Normal School (1944) were further investigations of lexical development. 4.3.2. Fundamental vocabulary In the 1930’s, investigations of Japanese fundamental vocabulary flourished as seen in Table 5.2. Quantitative studies of vocabulary in Japan were greatly influenced by the fundamental vocabulary studies of Kaeding (1897K1898) and Thorndike (1921). Consequently, when selecting a Japanese fundamental vocabulary, not only the frequency of use but also the range of use has been taken into consideration from the beginning. The first study to select a fundamental vocabulary based on an investigation of texts was Kiso Nihongo (Minami-Manshuu Kyooikukai, 1936) (Table 5.2K1). This study was also the first investigation of the fundamental vocabulary for teaching Japanese as foreign language. It was a total inspection based on primary school textbooks published in Japan and Japanese colonies, such as Manchuria, Korea and Taiwan.

85

5. Quantitative linguistics in Japan Table 5.2: Investigations of fundamental vocabulary materials

method

Tokens

Types

References

1 text books 2 magazines & books for children 3 magazines & books for adults

total sampling

300,000 150,000

9,000 12,568

Minami-Manshuu Kyooikukai (1936) Nihongo Kyooiku Shinkookai (1943)

sampling

250,000

22,000

Nihongo Kyooiku Shinkookai (1944)

4 text books of primary school 5 magazines & books for children

total

14,341

1,653

total

750,000

10,000

After that, there were two investigations of vocabulary by Nihongo Kyooiku Shinkookai (1943, 1944; the association for promoting Japanese language education) (Table 5.2K2, 3). One investigation was conducted for children and another for adults. These investigations were conducted in order to develop materials for teaching Japanese. Although they were the first sampling inspections of vocabulary in Japan, it is uncertain whether they were based on mathematical statistics or not. Kaito Matsuzoo (1938) and Sakamoto Ichiro (1943) were investigations of the fundamental vocabulary for primary school children. (Table 5.2K4, 5) 4.4. Text Stylometrics in Japan started from Text Psychology. Hatano Kanji, a psychologist, performed an analysis of textual features of novelists using stylometrics (Hatano, 1935). The style-features which he investigated were average sentence length, complexity of sentence structure, number of verbs, modifiers, similes, punctuations, etc. Kobayashi Hideo, a linguist influenced of Hatano, did quantitative style research from the standpoint of aesthetic stylistics (Kobayashi, 1943).

5.

After W. W. II (1945K2002)

The first sampling inspection to use mathematical statistics in Japan was the investigation of Japanese literacy conducted in 1948 (Yomi-kaki Nooryoku Choosa Iinkai, 1951). 16,820 males and females from 15 to 64 years old were investigated by random sampling. It became clear that 83.3 % of males and 73.1 % of females, i. e., an average of 78.3 % of Japanese were literate.

Kaito (1938) Sakamoto (1943)

5.1. The National Language Research Institute The era after W. W. II is notable for the activities of the National Language Research Institute (henceforth NLRI) and the Mathematical Linguistic Society of Japan (henceforth MLSJ). NLRI was established in December 1948 to conduct surveys for the scientific collection of data relevant to language policy formation. The NLRI has been referred to as the National Institute for Japanese Language (henceforth NIJL) since 2001. Since its establishment, NLRI has introduced the sampling method into survey research, and has contributed to the development of quantitative linguistics in Japan greatly through numerous investigations of vocabulary, characters, and social varieties. The results of the research activities have been published as reports, sources, occasional papers, annual reports and the Kokugo-Nenkan (Japanese Language Studies: Annual Survey and Bibliography). I will discuss the concrete activities of NLRI later. 5.2. The Mathematical Linguistic Society of Japan In Japan of around 1950, it was very popular in many fields of research to introduce mathematical statistics. Of course, linguistics was no exception. Such a study climate produced many linguists with a good background in mathematics, and was connected to the formation of MLSJ. Although MLSJ was formed in December 1956, as this kind of a society, it was the first in the world. The promoters were Mizutani Shizuo, Kabashima Tadao, Kenboo Gooki, Nomoto Kikuo, Miyaji Yutaka and Watanabe Osamu, most of whom were also the researchers at NLRI.

86

I. Allgemeines / General

In addition, the “mathematical linguistics” in the English name of this society means mathematical linguistics in a broad sense (mathematical linguistics1). Thus mathematical linguistics1 also includes quantitative linguistics, computational linguistics, and corpus linguistics as well as the mathematical linguistics in a narrow meaning (mathematical linguistics2) (Fig. 5.1).

mathematical linguistics1

5.3. The trend of mathematical linguistics1 in Mathematical Linguistics (1957K2002) Table 5.3 shows, in 5 year intervals, the number of articles carried by Mathematical Linguistics for each field. Of course, not all articles on mathematical linguistics are carried by Mathematical Linguistics. However, the bulletin’s articles indicate the main trends. Popular fields are as follows. (1) Words & Vocabulary (16.8 %), (2) Grammar (12.9 %), (3) Text & Style (11.1 %), (4) Method & Technique (9.5 %), (5) Characters & Orthography (9.4 %), (5) Sociolinguistics (9.4 %), (6) Language Processing (7.2 %), (7) Semantics (6.4 %) Among these, I will mention the following four fields beginning in the following section. (1) Words & Vocabulary, (3) Text & Style, (5) Characters & Orthography, (5) Sociolinguistics Therefore I would like to discuss mostly the other fields in this chapter. Through every period, there were consistently many articles on (1) Words & Vocabulary, (2) Grammar and (5) Characters & Orthography. Especially articles on Grammar have doubled since 1990. One reason given for this trend is that many papers about the principle for syntactic analysis were written. The fact

quantitative linguistics corpus linguistics mathematical linguistics2 computational linguistics

Fig. 5.1: The system of mathematical linguistics1 (Ito, 2002)

MLSJ started the quarterly bulletin Keiryoo Kokugogaku (Mathematical Linguistics) in May, 1957. Since then, the society has published 179 volumes of the bulletin, presenting 566 papers and reports by December, 2002. There is also an annual conference. The membership was 385 persons as of September, 2002. The members’ specialties are various, including linguistics, psychology, sociology, mathematics, engineering, etc. This situation expresses the interdisciplinary character of the society well.

Table 5.3: The distribution according to field of articles carried by Mathematical Linguistics (1957K1992: Mizutani 1995) (1993K2002: Ito) 1957K59 65K69 75K79 85K89 95K99 60K64 70K74 80K84 90K94 00K02 Total 1 2 3 4 5 6 7 8 9 10 11

number of articles

42

General works Method & technique Sound & phoneme Characters & Orthography Words & vocabulary Grammar Semantics Text & style Sociolinguistics Psycholinguistics Language education

7.1 23.8 7.1 8.3

5.6 8.3 5.6

19.0

26.4 11.1 1.4 6.9 8.3 6.9 2.8

15.9 11.1 6.3 20.6 6.4

1.4

3.2 1.6

12 Information theory 13 Computational linguistics 14 Language processing 15 Machine translation 16 Information retrieval & QA

14.3 14.3 4.8

4.8 4.8

72

63 9.5 7.9 13.3

4.2 2.8

11.1 3.2 3.2

60

59

60

58

64

58

30

10.0 6.7 1.7 11.9

10.2 6.8 15.3

3.3 15.0 3.3 12.1

1.7 10.3 1.7 9.4

1.6 6.3 6.3 13.8

3.4 6.9 5.2 13.3

6.7 3.3 53

8.3 8.3 10.0 6.7 13.3 3.3

18.6 10.2 8.5 5.1 3.4 10.2

18.3 10.0 6.7 10.0 6.7 1.7 1.7

10.3 6.9 12.1 12.1 13.7 3.4 1.6

14.1 25.0 7.8 12.5 12.6 1.6

19.0 22.4 6.9 6.9 8.6 3.4

3.3

1.7

1.7

13.3

10.2

5.0

1.7

3.4

1.7

15.5

1.6

3.4

16.7 26.7 23.3 6.7 3.3

566 31 5.5 54 9.5 19 3.4 9.4 95 16.8 73 12.9 36 6.4 63 11.1 53 9.4 20 3.5 6 1.1 5 5

0.9 0.9

41 6 6

7.2 1.1 1.1

5. Quantitative linguistics in Japan

that the Information-technology Promotion Agency exhibited the three versions of the IPA Lexicon of the Japanese Language for computers in 1987, 1990, 1997 is cited as another reason, since research using the IPALs has increased. In addition, it has also been noted that research on grammar statistics have been vigorous as a special feature of this field. The reason is that grammar statistics were required in order to reinforce grammatical rules, and to establish the guiding principles of the promotion of efficiency of language processing. Moreover, it is also a fact that there were academic interests in grammar statistics itself. The reason why research in method and technology was vigorous in the 1950s is that most researchers were still beginners in mathematical method, and little actual research had yet been done. Researches of method and technology were done briskly also in the 1980s. Since the 1980s was the time when the terminal use in TSS and the personal computer began to spread, computer techniques were emphasized (Mizutani, 1995). Papers on sociolinguistics have decreased since 1995. This is because the Japanese Association of Sociolinguistic Sciences was formed in 1997 and the contribution papers focused on its bulletin. Papers on language processing have decreased since the first half of the 1990s, due to the formation of the Association for Natural Language Processing in April, 1994, which publishes its own bulletin. Papers on semantics included many quantitative studies on semantic fields for partial vocabularies, and on meaning of sentences and texts. In addition, research in the semantic differential method is grouped under psycholinguistics.

6.

Vocabulary

The following four fields have accomplished remarkable developments in Japanese quantitative linguistics after 1945. (1) (2) (3) (4)

Vocabulary, Characters & Orthography, Text & Style, Sociolinguistics

First, I will consider the quantitative study of vocabulary.

87 The quantitative study of vocabulary is one of the most active fields of quantitative linguistics in Japan. By the middle of the 1950s, the research was progressing even to the elucidation of the distribution law of a vocabulary, and the problem of the inferred size of the vocabulary based on the sampling inspection of mathematical statistics. Therefore, the new field “Quantitative Analysis of Vocabulary” was already established in the 1960s. 6.1. Word counts and statistical studies on vocabulary Table 5.5 shows the investigations of vocabulary by NLRI. The institute has conducted quantitative surveys based on a large quantity of data for the purpose of obtaining basic data on vocabulary in modern Japanese. Data for these surveys research were obtained from magazines, newspapers, junior and senior high school textbooks, and television broadcasts. The introduction of the computer, starting with the vocabulary survey of newspapers, has played a leading role in computational linguistics in Japan (Report 37, 38, 42, 48, NLRI 1970K73). 6.1.1. The first survey The first survey was a total inspection whose population was the complete text of the issues of June, 1949 of the Asahi newspaper (Source 2, NLRI 1952). This is a tentative survey for setting up the methodology of word count. This study gives a word list of some 3,300 entries which occurred ten times or more in the population. In addition, the frequency distributions of words by days and by article, and the proportions of the word classes, were appended. 6.1.2. The second survey The second survey was a sampling inspection whose populations were the complete text of two women’s magazines (Report 4, NLRI 1953). This is the first result of the successive large scale surveys, and it might be one of the first projects in the world of word counts using the sampling method. Furthermore, in this study four new trials were performed as follows. (1) Making functions for computing the degree of fundamentality of words. (2) Making a new distribution function of the relative frequencies of words. (3) Making a prototype version of a new thesaurus that has classified some 4,300

88 words most commonly used to semantic fields. (later expanded into NLRI 1964) (4) Analysis of word-construction, especially patterns of compound words formed with Chinese elements. The distribution function of (2) was introduced by Mizutani Shizuo as a projection function, and an approximate function, F (p) Z p / (a p C b), was applied. Mizutani’s law is superior to Zipf’s law (1935) and Mandelbrot’s law (1952) in the degree of conformity of data. Shibuya Masaaki has proposed a general law that was formularized with generalized hypergeometric distributions (Shibuya 1979). Shibuya’s law can include not only other laws mentioned above, but also Yule’s law (1944), Herdan’s law (1964), and others. 6.1.3. The third survey The third survey was a sampling inspection whose population was the complete text of thirteen cultural reviews (Report 12, 13, NLRI 1957, 1958). Two kinds of word lists were published in Report 12. It can be said to be a remarkable feature of this study that, for the approximately one thousand most frequently used words, both their intervals of confidence coefficient (95 %) and their estimation precisions were calculated. These were the first word lists in the world with their estimation precisions. Furthermore, in this study two new trials were performed as follows: (1) Making a new function for estimating the amount of vocabulary, i. e. the statistical inference of the number of word-types in the complete population. (2) Making a new linear discriminative function for the judgment of whether two items were the same word or two different words. The function for (1) was derived by Mizutani, and applied to the data. The estimate was 43,669 G 1,616; It was obtained from the graph of types versus tokens to which was fitted an exponential function deduced from theorem on the relation between types and tokens in a sample. This actually is the most recent idea for estimating the size of a vocabulary to be developed in Japan. Now, in the West, Large Number of Rare Events (LNRE) models is attracting attention as models relevant to the estimation of the amount of a vocabulary. In Japan, al-

I. Allgemeines / General

though there is still no research which applies these models to language, in the field of bibliometrics, verification-application has already been performed (Kageura 2000). 6.1.4. The fourth survey The fourth survey was a sampling inspection whose population was the complete text of ninety selected magazines for adults (Report 21, 25, NLRI 1962, 1964). A remarkable feature of this study was that the parsing the data into tokens and types was performed strictly, so the data became very accurate. The accuracy of the data is still the highest ever. Furthermore, in this study some new trials were performed as follows: (1) Making a new sampling plan to guarantee the estimation precision for the small frequency of the order. This plan is a kind of stratified cluster sampling. This method makes possible the manual completion of the statistical aspect of word count. (2) Making a new fundamentality function of words. The function, f Z a C b log p C c log sc, was derived by Mizutani, and applied to the data. This function is fitted by the least square method, to twenty-five sets of a trial (whose components are the experts’ evaluation of a set of quantitatively similar words, the averaged relative frequency, and the averaged degree of scattering). Report 25 contains the table of the fundamentalities of the 1,200 most frequent words and semantic classification of the 700 most fundamental words. (3) Having elucidated the statistical structure of the vocabulary: Three topics are here discussed: (a) How many different words belong to each word-frequency grade, and what proportion of the total occurrences is covered by the accumulative number of such different words (Table 5.4); (b) Distributional differences among parts Table 5.4: Frequency distribution Sample Frequency

Word-Types

% of WordTokens

1K6 7K (50K)

32,782 7,234 (1,220)

14 86 (63)

Total

40,016

100

89

5. Quantitative linguistics in Japan

of speech and among classes by word origin; (c) The distribution of inflectional forms of verbs and adjectives.

kind in which a computer was used in processing the data at this institute. (3) By using both a long unit (Choo-tan’i, roughly, a word) and a short unit (Tantan’i, roughly, a morpheme), it was possible to investigate word structure during the processing. (4) In order to obtain and interpret the results from a multidimensional viewpoint, the occurrence and use of words were determined and analyzed in terms of various types of articles by topic, type of discourse, location of unit, and source of information.

6.1.5. The fifth survey The fifth survey was a sampling inspection whose populations were the complete text of one year of publication (1966) of three newspapers: Asahi, Mainichi, and Yomiuri (Report 37, 38, 42, 48, NLRI 1970K1973). The main characteristics of this investigation are as follows: (1) Newspaper articles were selected by a sampling procedure to obtain a large corpus totaling three million running words. (2) In order to process such a large amount of data in a short period of time, a computer system and Chinese character input-output teletypewriters were used. This investigation is the first one of its

Although organizations and researchers other than NLRI also conducted investigations of vocabulary based on newspapers and textbooks, except for Kabashima and Yoshida (1971), these were total inspections, and did not use mathematical statistics (Tab. 5.6).

Table 5.5: Investigations of vocabulary by National Language Research Institute Objects, publishing or broadcasting year 1 the Asahi newspaper one month in 1949 2 2 women’s magazines one year in 1950 3 13 cultural reviews one year in 1953K54 4 90 magazines of today one year in 1955 5 3 newspapers one year in 1966 6 high school textbooks of 9 subjects in 1974 7 junior high textbooks of 7 subjects in 1980 8 TV broadcasts 7ch three months in 1989

method

population sampling word-tokens word-types unit references (tokens) ratio million

total

K

A: sample B: sample sample

0.9 0.33 9

K

240,000

15,000

αo

Source 2

1/6 1/6.5 1/40

150,000 50,000 230,000

27,000 10,000 23,000

α α β

Report 4

β

sample

160

1/230

530,000

40,000

sample

120 180 K K K K 710

1/60 1/60 K K K K 1/504

2,000,000 3,000,000 450,000 600,000 200,000 250,000 140,000

213,000 K 41,000 15,000 18,000 8,000 26,000

total total sample

α# β# W M W M BS

Report 12, 13 Report 21, 22, 25 Report 37, 38, 42, 48 Report 81 Report 76 Report 91 Report 87 Report 112, 114, 115

(1) a series of long units: αo/α/α#/W/BS, a series of short units: β/β#/M (2) A: Shufu no Tomo, B: Fujin Seikatsu (3) BS: bunsetsu (a phrase in a Japanese sentence) Table 5.6: Main investigations of vocabulary other than National Language Research Institute Objects, publishing year

method

word-tokens

word-types

references

1 Asahi newspaper 122 days in 1948K49 2 Textbooks of primary school 91 volumes in 1953K54 3 Textbooks of primary school the 1stK6th graders in 1959 4 Textbooks of high school 6 volumes in 1965

total

580,000

15,000

Asahi newspaper (1950)

total

420,000

9,000

total sample

10,000 1,803

Ikehara (1957) Tokyo Shoseki (1959) Kabashima/Yoshida (1971)

90

I. Allgemeines / General

6.2. Quantitative law of vocabulary There are various subjects related to the quantitative law of vocabulary. Among these, since the distribution of word frequencies was already treated in the foregoing section, the distribution of the proportion of parts of speech will be taken up here. Two formulations for estimating the proportion of parts of speech are Kabashima’s law (1955) for tokens and Ohno’s law (1956) for types. Both of the laws are about the connection between the occurrence of nouns and other parts of speech in texts and demonstrate the existence of a linear dependence between them. Since Ohno’s law is already known well and it is taken up in other chapters of this handbook, I will take up Kabashima’s law here. Based on the following eight sources with style differences, Kabashima Tadao performed a random sampling and clarified the constituent proportions of parts of speech (Kabashima 1955). Kabashima classified eight parts of speech into the following four word groups in order to lessen the fluctuation of data. N-noun, V-verb, M-adjective, adjective verb, adverb, attribute, I-conjunction, exclamation.

7.

7.1. Kanji counts Investigations of kanji have been conducted in order to select the basic kanji from the beginning of the 20th century. Nevertheless, the reason that investigations of kanji are still being conducted also now is because the proportion of kanji in Japanese texts changes with times. That is, since the proportion of kanji tends to lessen with time, the basic kanji also changes with time. Investigations of kanji should also be continued in the future. 7.2. Frequency ratios of character types There are three scripts used mixing them in writing Japanese: hiragana, katakana and kanji as mentioned above. However, strictly speaking, alphabet, numerals, and punctuation are also used. Table 5.9 shows the distribution of frequency ratios of kinds of Japanese characters and letters in various texts. The ratio of each script varies by text type. However, in any text, when arranged in order of frequency, we can discern a general tendency to be ranked in the following order: hiragana, kanji, katakana, and punctuation.

8. Table 5.7: The Distribution of a frequency ratio of Japanese parts of speech in 8 sources (Kabashima 1955) 1 Conversation 2 Conversation in novels 3 Books of philosophy 4 Descriptive parts in novels 5 Books of natural science 6 Tanka 7 Haiku 8 newspaper articles

N

V

M

I

41.6 45.2

26.3 31.4

20.1 18.0

12.0 5.4

48.6 49.4

31.4 32.3

17.0 15.4

3.0 2.9

52.6

30.8

14.6

2.0

54.4 60.2 65.6

31.7 29.4 28.6

13.7 10.4 5.0

0.2 0.0 0.8

Kabashima demonstrated the existence of a linear dependence between the occurrence of nouns and other parts of speech in texts by the following functions. M Z 45.67 K 0.60 ! N log I Z 11.57 K 6.56 ! log N V Z 100 K (N C M C I)

Characters and orthography

Text

In quantitative studies of text and style, I will survey three fields: stylometrics, author identification and mechanical composition of popular songs. 8.1. Stylometrics The method most used for stylometrics until the 1940s was based on descriptive statistics, whereas Yasumoto Biten, a psychologist, and Kabashima Tadao, a linguist, introduced the technique of mathematical statistics into quantitative stylistics thereafter (Yasumoto 1959, Kabashima 1961). For 100 modern Japanese writers’ texts, Yasumoto classified 15 stylistic features into eight types according to factor analysis, and characterized each writer by these combination (Yasumoto 1965). It was a quite early example to adopt factor analysis as a technique for stylometrics. For samples of 100 modern Japanese writers’ texts, Kabashima and Jugaku Akiko conducted quantitative investigation of 18 items of the stylistic feature, and made the analysis table (Kabashima and Jugaku 1965).

91

5. Quantitative linguistics in Japan Table 5.8: Main investigations of kanji Sources, quantity, publishing year 1 Asahi newspaper 9 months in 1948K49 2 Women’s magazine one year in 1950 3 Yuubin Hoochi newspaper one year in 1877K78 4 13 cultural reviews one year in 1953K54 5 90 magazines of today one year in 1956 6 3 main newspapers one year in 1966 7 Kyoodoo Tsuushin newspaper, 1 week in 1971 8 NHK newscasting manuscript, one year in 1965 9 Books, magazines, etc., in 1976 10 Titles of papers on natural science, 1 month in 1963 11 Japanese names of 660,000 people in 1971 12 70 magazines of today one year in 1994

method

kanji tokens

kanji types

references

total

17,000,000

2,308

Asahi newspaper (1950)

sample

170,000

3,048

NLRI Report 4 (1953)

sample

166,000

3,614

NLRI Report 15 (1959)

sample

117,000

2,781

NLRI Report 19 (1960)

sample

280,000

3,328

NLRI Report 22 (1963)

sample

991,000

3,213

NLRI Report 56 (1976)

total

462,000

2,279

Kyoodoo Tsuushinsha (1971)

total

338,000

2,109

Sugano (1968)

total

5,302,000

4,520

Toppan Insatsu (1976)

total

20,000

1,407

National Diet Library (1967)

total

2,721,000

2,826

Nihon Yunibakku (1971)

569,000

3,586

NIJL Report 119 (2002)

sample

Table 5.9: The distribution of frequency ratios of Japanese scripts in various texts (Satake 1982) 1 2 3 4 5

Review & Paper Essay Novel Practical & Interpretive Interview

Total

Kanji

Hiragana

Katakana

Alphabet

Numerals

Punctuations

31.99 26.05 24.78 23.39 22.89

53.80 59.59 60.72 53.91 62.10

6.13 5.63 4.44 13.75 4.69

0.30 0.07 0.05 0.31 0.15

0.30 0.00 0.01 0.73 0.11

7.48 8.66 10.00 7.91 10.06

26.52

57.29

6.95

0.22

0.29

8.73

Recently, Jin (1994) has classified texts according to distributions of punctuation marks. 8.2. Author identification Yasumoto Biten analyzed 12 style features statistically for the Tale of Genji (a classic in the 11th century) by Murasaki Shikibu, and conducted that the last twenty percent of the text was another author’s work (Yasumoto 1960). By discriminative function, Nirasawa Tadashi analyzed 32 words which an author tends to use unconsciously, and conducted that the author of the Tale of Yura (a classic in the 18th century) is not Kamono Mabuchi but Takebeno Ayatari (Nirasawa 1965).

Recently, Matsuura Tsukasa and Kaneda Yasumasa devised and enforced the new authorship attribution method via a n-gram distribution (Matsuura and Kaneda 2000). 8.3. Mechanical composition of popular songs The study of mechanical composition of popular songs applying the information theory of Shannon has a long tradition in Japan. (Watanabe 1953, Mizutani 1959, Kabashima 1970, Nakano 1971). Because these researches were carried out based on many kinds of popular songs, it was difficult to construct songs with high cohesion. On the other hand, Ito Masamitsu has conducted experiments using a computer based on 300

92

I. Allgemeines / General

songs of one singer-songwriter called Matsutooya Yumi. This method made it easy to construct songs with high cohesion (Ito 1998, 2001b). Recently, Ito framed a hypothesis which can construct songs on arbitrary themes, and conducted experiments based on the hypothesis, obtaining good results (Ito 2001a). This means that there is a possibility that a new field called “synthetic text linguistics” will be explored. The ultimate purpose of this study is the elucidation of human creativity.

9.

Sociolinguistics

Since the fields of sociolinguistics cover a wide range of topics, I will only outline two fields (language change and language varieties) with flourishing quantitative research here. If you would like to see the quantitative data of the whole fields of sociolinguistics of Japan, I would recommend Sanada and Long (1997). 9.1. Language change This field saw the early introduction of mathematical statistics and multivariate analysis. In 1949, NLRI conducted a landmark project in which 635 residents of Shirakawa (Fukushima Prefecture) were interviewed to gauge the level to which Standard Japanese had penetrated their speech and to determine the role social factors had played in the process. More importantly, the informants in this study were not chosen by personal contacts, but by a random sampling method (NLRI 1950). This project is one of the earliest examples of such research in the world. Subsequently, language life investigations by NLRI have been conducted about 20 times by present. It deserves special mention that Hayashi’s quantificational theory type III was introduced for the first time in the attribution analysis about the standardization of dialect in the investigation of Tsuruoka (Yamagata Prefecture) which was conducted in 1972 (Egawa 1973, NLRI 1979). 9.2. Language varieties; study of dialect boundary The classical arithmetic method of quantification is the “Isogloss method”. Bundles of isoglosses are often sought in order to find dialect boundaries. However this method

has several problems such as the arbitrariness of selection of phenomena. A newer cumulative isogloss method which avoids the arbitrariness is the “Honeycomb method” applied by Gross (1955) and Mase (1964). In the ideal honeycomb method, all the phenomena in all the area investigated are taken into consideration. In order to eliminate subjective judgment, sometimes weighting of phenomena is attempted by attaching various degrees of importance according to the frequency for usage of the linguistic system. Dialect division can be performed by the isogloss method without paying attention to coincidence between remote areas. In dialect classifications such as the “Identity method” (the similarity method) and the multivariate analysis, the similarities of linguistic features among dialects are taken into consideration. The cumulative identity method without the use of a computer has a long tradition in Japan. The method using a computer was applied to Japanese dialects by Inoue (1984). As for the technique of presenting identity matrices, the most effective practice in Japan is the “S & K Network Method” or the “N-T Method” for dialect division developed by Sibata and Kumagai (1985, 1987, 1993). In this method lines connecting localities of a certain degree of identity (or similarity) are shown between all the localities. Since computers were introduced into dialect boundary researches, researchers who use multivariate analysis appeared in the 1970s. The multivariate analyses used by researches of dialect boundary are the following three methods. a. Cluster analysis: Asai (1974), Inoue & Kasai (1982a, b) b. Hayashi’s quantificational theory type III: Inoue (1981) c. Factor analysis: Inoue & Kasai (1982a, b) The multivariate analyses do not take geographical factors into calculation. However the (distributional) center of gravity method does. This method can show geographical distribution patterns by means of a simpler calculation. In the center of gravity method, the movement of the geographical distribution of word forms has been clearly shown on a map, by showing the shift of points indicating gravity centers. Inoue Fumio applied this method to the geographical distribution of standard Japanese forms (Inoue 1984).

5. Quantitative linguistics in Japan

93

10. Conclusion

For the Study of the Japanese Language), Tokyo, Rokugatsu-sha.

Although I have been discussing quantitative linguistics in Japan, there are many investigations and studies that I could not mention because of limited space. If you would like to see the whole data of quantitative linguistics of Japan, I would recommend Hayashi et al. (1982). Moreover, there is Mizutani ed. (1989) as a collection of papers of the English version about Japanese quantitative linguistics. I consider that one of the purposes of linguistics is the elucidation of human creativity. For this purpose, it is important not only to analyze language like the 20th century’s linguistics, but to synthesize language. The conversion from “analytic linguistics” to “synthetic linguistics” will be an important subject of the 21st century’s linguistics, and quantitative linguistics should play a major role.

Inoue, Fumio (1981) Hoogen no chiikisa nenreisa no pataan (A pattern analysis of dialectal differences by area and age). In: Gengo Kenkyu 80, 13K31.

11. Literature (a selection) Asahi Shinbun Tokyo Honsha (1950) Katsuji Shiyoodosuu Choosa/Jukugo Shiyoodosuu Choosa, Tokyo, Asahi Shinbun Tokyo Honsha. Asai, Tooru (1974) Classification of Dialects: Cluster Analysis of Ainu Dialects. In: Hoppoo Bunka Kenkyuu 8, 45K114; 115K136. Andoo, Tsunemasa (1909) Kanji no Kenkyuu. Tokyo, Rokugookan. Ban, Nobutomo (1850) Kana Hommatsu. In: The Complete Works of Ban Nobutomo 3, Tokyo, Kokusho Kankookai. Dewey, Godfrey (1923) Relative Frequency of English Speech Sounds. Cambridge: Harvard University Press. Egawa, Kiyoshi (1973) Tahenryoo kaiseki no shakai gengogakuteki choosa e no tekiyoorei (A study of language behavior by means of a multivariate analysis), in: Kotoba no Kenkyuu 4, 214K 229. Grosse, Rudolf (1955) Die Meissnische Sprachlandschaft K Dialektgeographische Untersuchungen zur Obersächsischen Sprach- und Siedlungsgeschichte, Halle (Z Mitteldeutsche Studien; 15). Hatano, Kanji (1935) Bunshoo Shinrigaku (Text Psychology), Tokyoo, Sanseidoo. Hayashi, Ooki/Miyajima, Tatsuo/Nomura, Masaaki/Egawa, Kiyoshi/Nakano, Hiroshi/Sanada, Shinji/Satake, Hideo eds.(1982) Zusetsu Nihongo (The Japanese Language, Full-illustrated Book), Tokyo, Kadokawa Shoten. Ikehara, Narao (1957) Kokugo Kyooiku no tameno Kihon Goi Taikei (A System of Basic Words:

Inoue, Fumio/Kasai Hisako (1982a) Hyoojungokei no chiriteki-bunpu-pataan: Nihon Gengo Chizu deeta no inshi-bunseki (Geographical distribution patterns of standard Japanese forms: Factor analysis of the “Linguistic Atlas of Japan”). In: Kokugogaku 131, 27K43. Inoue, Fumio/Kasai Hisako (1982b) Hyoojungokei ni yoru hoogen-kukaku (Dialect Classification by Standard Japanese Forms). In: Keiryoo Kokugogaku 13K6, 245K255. Inoue, Fumio (1984) Atarashii hogen-kukakuron, hogen ruijido (New method of dialect division, degrees of dialect similarity). In: Kokubungaku Special Issue. Ito, Masamitsu (1998) Text goosei system FUJIMURA (Text Composing System FUJIMURA). In: Keiryoo Kokugogaku 21K6, 275K287. Ito, Masamitsu (2001a) Yuming no gengogaku 42; Teema seisei goiron no kanoosei (Yuming’s Linguistics 42; The hypothesis for constructing songs on arbitrary themes). In: Nihongogaku 20K3, 78K85. Ito, Masamitsu (2001b) Zen-jidoo-gata tekusuto goosei shisutemu FUJIMURA Cver 3.0D (Full-Automatic Text Composing System FUJIMURA Cver 3.0D). In: Keiryoo Kokugogaku 22K8, 335K354. Ito, Masamitsu (2002) Keiryoo Gengogaku Nyuumon (An Introduction to Quantitative Linguistics), Tokyo, Taishuukan Co., Ltd. Jin, Ming-Zhe (1994) Tooten no uchikata to bunshoo no bunrui (Positioning of commas in santences and classification of texts). In: Keiryoo Kokugogaku 19K7, 317K330. Kabashima, Tadao (1955) Ruibetsu sita hinshi no hiritsu ni mirareru kisokusei (On the ratio of parts of speech in present-day Japanese and the cause of its fluctuation). In: Kokugo Kokubun 24K6, 385K387. Kabashima, Tadao (1961) Buntai no hen’i ni tsuite. In: Kokugo Kokubun 30K11, 23K38. Kabashima, Tadao/Jugaku, Akiko (1965) Buntai no Kagaku, Tokyo, Soogeisha. Kabashima, Tadao (1970) Ryuukooka o tsukuru (Mechanical composition of popular songs). In: Keiryoo Kokugogaku 52, 8K40. Kabashima, Tadao/Yoshida, Yasuo (1971) Ryuugakusei no tame no Kihon Goihyoo. In: Nihongo NIhon-bunka 2, Oosaka Gaikokugo Daigaku. Kaeding, F. W. (1897, 1898) Häufigkeitswörterbuch der deutschen Sprache, Steglitz bei Berlin: Selbstverlag des Herausgebers.

94 Kageura, Kyoo (2000) Keiryoo Joohoogaku; Toshokan/Gengo Kenkyuu eno Ooyoo, Tokyo, Maruzen Co., Ltd. Kaito, Matsuzoo (1938) Kihon Goigaku [Joo], Tokyo, Bungakusha. Khmaladze, E. V. (1987) The Statistical Analysis of a Large Number of Rare Events. Report MSR8804. Amsterdam; Department of Mathematical Statistics, Center for Mathematics and Computer Science. Kitazato Takeshi (1926) Hihon Kodaigoon Soshikikoo Hyoozu (A Research into the Sound-System of Old-Japanese; Charts), Tokyo, Keikoosha. Kitazato Takeshi (1930) A Research into the Sound-System of Old-Japanese; A Summary of My Work entitled. In: Nihongo no Konponteki Kenkyuu [ge], Kitasato. K. ed., 77K89, Ooaska, Shionkai. Kobayashi, Hideo (1943) Buntairon no Kensetsu, Tokyo, Ikuei Shoin. Kubo, Yoshihide (1924) Yooji no gengo no hattatsu. In: Jidoo Kenkyuujo Kiyoo, 5, 6, 7, Chuubunkan Shoten, 137K299. Kyoodoo Tsuushinsha (1971) Moji Shutsudo Choosa; 100 manji Shuukei Kekka, Tokyo, Kyoodoo Tsuushinsha. Mandelbrot, B. (1952) Contribution à la thematique des jeux de communication. Mase, Yoshio (1964) Hoogen ishiki to hoogen kukaku; Shinano kokkyoo chitai o rei ni. In: Nihon no Hoogen Kukaku, Tojoo Misao, ed., Tokyo, Tokyodoo. Matsuura, Tsukasa/Kaneda Yasumasa (2000) ngram no bunpu o riyoo shita kindai Nihongobun no chosha suitei (Authorship Attribution in Japanese Modern Sentences via N-Gram Distribution). In: Keiryoo Kokugogaku 22K6, 225K238. Minami-Manshuu Kyooikukai(1936) Kiso Nihongo, South Manchuria, Private publication. Mizutani, Sizuo (1959) ‘Naku, hana, koi’kara ‘teiru, naku, ame’ e. In: Gengo Seikatsu 91, 26K37. Mizutani, Sizuo (1965a) Oono no goi-hoosoku ni tsuite (Notes on Ohno’s Law of Vocabulary). In: Keiryoo Kokugogaku 35, 1K13. Mizutani, Sizuo (1965b) Kooseihi no senkei-kaikichoosei (An Adjustment of Constituent Proportions by Linear Regression). In: Keiryoo Kokugogaku 13K2, 92K97. Mizutani, Sizuo (1982) Suuri Gengogaku, Gendai Suugaku Rekuchaazu D-3, Baifuukan. Mizutani, Sizuo eds.(1989) Japanese Quantitative Linguistics. In: Quantitative Linguistics 39, Bochum. Mizutani, Sizuo (1995) Suuriteki-kenkyuu. In: Kokugogaku no Gojuunen, 387K398, Tokyo, Musashino Shoin.

I. Allgemeines / General Morimoto, Kakuzoo (1921) Shisho Sakuin, Tokyo, Keisho Sakuin Kankoojo. Nakano, Hiroshi (1971) Kikai no tsuzuru ai no uta. In: Gengo Seikatsu 242, 41K47. Naruhama Primary School in Chiba prefecture (1924) Shin-nyuugaku Jidoo Goi no Choosa, Seijoo Shoogakkoo Kenkyuu Soosho 12, Tokyo, Bunka Shoboo. National Language Research Institute (1951) Gengo-seikatsu no Jittai: Shirakawa-shi oyobi Fukin no Nooson ni okeru (Language Survey in Sirakawa City), NLRI Report 2. Tokyo, Shuei Shuppan. National Language Research Institute (1952) Goichoosa: Gendai Sinbun Yoogo no Ichi-rei (A Research Newspaper Vocabulary) Source 2. Tokyo, Shuei Shuppan. National Language Research Institute (1953) Fujin Zasshi no Yoogo: Gendaigo no Goi Choosa (Research on Vocabulary in Women’s Magazines), NLRI Report 4. Tokyo, Shuei Shuppan. National Language Research Institute (1957, 58) Soogoo Zasshi no Yoogo [Zenpen/Koohen]: Gendaigo no Goi-choosa (Research on Vocabulary in Cultural Reviews), NLRI Report 12, 13. Tokyo, Shuei Shuppan. National Language Research Institute (1958) Meiji Shoki no Sinbun no Yoogo (Research on the Vocabulary in a Newspaper in the Early Years of the ‘Meiji’ Period), NLRI Report 15. Tokyo, Shuei Shuppan. National Language Research Institute (1960) Soogoo Zasshi no Yooji (The Use of Written Forms in Japanese Cultural Reviews), NLRI Report 19. Tokyo, Shuei Shuppan. National Language Research Institute (1962K64) Gendai Zasshi 90 shu no Yoogo Yooji, Vol. 1K3 (Vocabulary and Chinese Characters in Ninety Magazines of Today), NLRI Report 21, 22, 25. Tokyo, Shuei Shuppan. National Language Research Institute (1964) Bunrui Goi Hyoo (Word List by Semantic Principles), NLRI Source 6. Tokyo, Shuei Shuppan. National Language Research Institute (1970K73) Denshi Keisanki ni yoru Shinbun no Goi Choosa, Vol. 1K4 (Studies on the Vocabulary of Modern Newspapers), NLRI Report 37, 38, 42, 48. Tokyo, Shuei Shuppan. National Language Research Institute (1974) Chiiki Shakai no Gengo Seikatsu; (Language Survey in Tsuruoka City, Yamagata Pref.: After 20 Years from the Preceding Survey), NLRI Report 52. Tokyo, Shuei Shuppan. National Language Research Institute (1976) Gendai Shinbun no Kanji (A Study of Uses of Chinese Characters in Modern Newspapers), NLRI Report 56, Tokyo, Shuei Shuppan. National Language Research Institute (1983K84) Kookoo Kyookasho no Goi Choosa 1, 2 (Studies

5. Quantitative linguistics in Japan on the Vocabulary of Senior High School Textbooks 1, 2), NLRI Report 76, 81. Tokyo, Shuei Shuppan. National Language Research Institute (1986K87) Chuugakkoo Kyookasho no Goi Choosa, Vol. 1K2 (Studies on the Vocabulary of Junior High School Textbooks), NLRI Report 87, 91. Tokyo, Shuei Shuppan. National Language Research Institute (1995, 97, 99) Terebi Hoosoo no Goi Choosa 1K3 (Vocabulary Survey of Television Broadcasts Vol. 1K3), NLRI Report 112, 114, 115. Tokyo, Vol. 1: Shuei Shuppan, Vol. 2K3: Dainippontosho Publishing Co., Ltd. National Institute for Japanese Language (2002) Gendai Zasshi no Kanji Choosa (A Survey of Kanji in Contemporary Magazines), NIJL Report 119. Tokyo, NIJL. The National Primary School attached to the Nagano Normal School (1944) Jidoo no Goi to Kokugo Shidoo, Naganoshihan Fuzoku Kokumin Gakkoo Soosho 4, Nagano, Shinano Mainichi Newspaper Publishing. Nihongo Kyooiku Shinkookai (1943) Jidoo Yomimono Goi Choosa, Tokyo, Nihongo Kyooiku Shinkookai. Nihongo Kyooiku Shinkookai (1944) Seijin Yomimono Goi Choosa, Tokyo, Nihongo Kyooiku Shinkookai. Nihon Yunibakku (1971) Kanji Shishutemu Dezain Shiryoo 4, Tokyo, Nihon Yunibakku. Nirasawa, Tadashi (1965) Yura Monogatari no sakusha no tookeiteki hanbetsu (Inference in the authorship of Yura Monogatari). In: Keiryoo Kokugogaku 33, 21K28. Oonishi, Masao (1932) Hindo(frequency) kara mita soon no kachi. In: Onseigaku Kyookai Kaihoo 26, 4K5. Oonishi, Masao (1936) Goon hindo yori mitaru Jukka Kokugo no Hatsuon Kite. In: Onsei no Kenkyuu 6, 153K181. Oonishi, Masao (1941) Nihon Kihon Kanji, Tokyo, Sanseidoo. Oono, Susumu (1956) Kihon-goi ni kansuru ni-san no kenkyuu (Studies on the basic vocabulary of Japanese: In the Japanese classical literature). In: Kokugogaku 24, 34K46. The Primary School attached to the Normal School in Okayama prefecture (1935) Jidoo no Goi to Kyooiku, Tokyo, Fujii Shoten. Sakamoto, Ichiroo (1943) Nihongo Kihon Goi [Yoonen no Bu], Tokyo, Meiji Tosho. Satake, Hideo (1982) Kakushu bunshoo no jishu hiritsu (On the frequency ratio of kinds of letters in all sorts of sentence), NLRI Report 71, in: Kenkyuu Hookokushuu 3, 327K346. Sanada, Shinji/Long, Daniel, ed. (1997) Shakai Gengogaku Zushuu (Japanese Sociolinguistics Illustrated), Tokyo, Akiyama Shoten.

95 Sawayanagi, Seitaroo/Tanaka, Suehiro/Nagata, Shin (1919) Jidoo Goi no Kenkyuu, Tokyo, Doobunkan. Sibata, Takesi/Kumagai, Yasuo (1985) Gengoteki tokuchoo niyoru chiiki bunkatsu no tame no Netowaakuhoo (The Network Method: a Method for Dividing an Area on the Basis of Linguistic Features). In: Kokugogaku 140, 73K88. Sibata, Takesi/Kumagai, Yasuo (1987) Netowaakuhoo niokeru chitenkan no gengoteki ruiji no atarashii toraekata to shori no shikata (A New “Network Method” and Its Processing Procedures for Dividing Dialect Areas), in Kakugogaku 150, 123K136. Sibata, Takesi/Kumagai, Yasuo (1993) The S&K Network Method: Processing Procedures for Dividing Dialect Areas, Verhandlungen des Internationalen Dialectologenkongress Bamberg 1990 Band 1. ZDL-Beiheft 74. Shibuya, Masaaki (1979) Generalized Hypergeometric, Digamma and Trigamma Distributions. In: Annals of the Institute for Statistical Mathematics 31, 373K390. Sugano, Ken (1968) Kanji kara mita rajio nyuusu no yoogo. In: Bunken Geppoo 209, 23K32, Tokyo, NHK Soogoo Hoosoo Bunka Kenkyuujo. Terada, Torahiko (1928) Hikaku gengogaku ni okeru Tookeiteki kenkyuu hoohoo no kanoosei ni tsuite. In: Shisoo March. Thorndike, E. L. (1921) The teacher’s word-book, First Edition, New York. Tokyo Shoseki (1959) Gakushuu Kihon Goi, Tokyo, Tokyo Shoseki. Toppan Insatsu (1976) Kanji Shutsugen Hindosuu Choosa 2, Tokyo, Toppan Insatsu Co., Ltd. Ushijima, Yoshitomo/Moriwaki, Kaname(1943) Yooji no gengo hattatsu. In: Aiiku Kenkyuujo Kiyoo; Kyooyoobu 2, Tokyo, Meguro Shoten. Watanabe, Osamu (1953) Hyoogen kooka no suuryooka. In: Kokugogaku 15, 100. Yasumoto, Biten (1959) Bunshoo seikakugaku e no kisoteki kenkyuu; Inshi bunsekihoo ni yoru gendai sakka no bunrui. In: Kokugo Kokubun 28K6, 19K41. Yasumoto, Biten (1960) Bunshoo Shinrigaku no Shin-Ryooiki, Tokyo, Seishin Shoboo. Yasumoto, Biten (1965) Bunshoo Shinrigaku Nyuumon, Tokyo, Seishin Shoboo. Yomi-kaki Nooryoku Choosa Iinkai (1951) Nihonjin no Yomi-kaki Nooryoku, Tokyo, Tokyo Daigaku Shuppanbu. Zipf, G. K. (1935) The Psycho-Biology of Language. Boston: Houghton Mifflin.

Masamitsu Ito, Tokyo (Japan)

96

I. Allgemeines / General

6. Zur Geschichte quantitativ-linguistischer Forschungen in China 1. Vorbemerkung 2. Deskriptive quantitative Untersuchungen im vormodernen China 3. Die erste umfassende Erhebung zur Schriftzeichenhäufigkeit 4. Forschungen zu Schriftzeichenund Worthäufigkeiten in der VR China bis 1989 5. Forschungen in der VR China in den 1990er Jahren 6. Forschungen in der VR China im begonnenen 21. Jahrhundert 7. Ein Korpus aus Taiwan: Das Sinica Corpus 8. Korpuslinguistische Forschungen in Hongkong und Singapur 9. Arbeiten an der University of Pennsylvania 10. Schlusswort 11. Literatur (in Auswahl)

1.

Vorbemerkung

Dieser Artikel hat die wichtigsten Ereignisse in der Geschichte der quantitativen Linguistik in China zum Gegenstand. Für die Zeit nach 1949 wird das Hauptaugenmerk auf Forschungen in der VR China liegen, während Taiwan, Hongkong und Singapur nur insoweit eine Rolle spielen, als im letzten Abschnitt einige Korpora vorgestellt werden, die dort entwickelt wurden und die, da von den herausgebenden Institutionen erhältlich, als Datengrundlage auch andernorts für Forschungen interessant sein könnten. Aus demselben Grund wird auch ein Standort außerhalb Asiens, nämlich die University of Pennsylvania, kurz behandelt. Die hier berücksichtigten Forschungen haben alle das moderne Hochchinesisch, chin. putonghua, engl. Mandarin oder modern standard Chinese, zum Gegenstand. Quantitative dialektologische Forschungen werden nicht berücksichtigt, ebenso wenig neuere Forschungen an phonetischen Korpora gesprochener Sprache. Da einerseits Korpora die Datengrundlage für die quantitative Erforschung des Redesystems sind und sich andererseits in China keine bestimmte Schule der quantitativen Linguistik abzeichnet, ist die Darstellung etwas korpuslastig. Für eine umfassende Darstellung der chinesischen Linguistik des 20. Jhs. s. Liu (1998).

2.

Deskriptive quantitative Untersuchungen im vormodernen China

Linguistische Disziplinen wie die Lexikographie, Onomasiologie, Paläographie, Etymologie, Dialektologie und Phonologie haben in China eine Geschichte, die zweitausend Jahre zurückreicht, wobei das älteste bekannte semasiologische Wörterbuch Erya sogar noch einige Hundert Jahre älter sein dürfte. Im Lauf dieser Geschichte entwickelte sich zwar noch keine quantitative Linguistik im modernen Sinn, aber es wurden bestimmte Fragen mit Mitteln beantwortet, die man als deskriptive Statistik bezeichnen könnte. Moderne Visualisierungstechniken wie z. B. Linien- oder Balkengraphiken standen den damaligen Gelehrten natürlich noch nicht zur Verfügung. Das erste onomasiologische Schriftzeichenlexikon ist das Shuo wen jie zi [Erläuterung der einfachen und Analyse der komplexen Schriftzeichen] des Gelehrten Xu Shen, der im 1. Jh. n. Chr., lebte; es soll um 100 oder 121 n. Chr. fertig gestellt worden sein, ist aber nur in späteren Redaktionen überliefert. Xu ordnet darin das von ihm untersuchte Schriftzeicheninventar sechs verschiedenen Kategorien, chin. liu shu [sechs Schreibungen], zu, durch welche er das Prinzip ihrer Entstehung zu erfassen suchte: (1) Piktographische Schriftzeichen, (2) indikatorische Schriftzeichen, (3) Assoziativkomposita, (4) signifisch-phonetische Komposita, (5) phonetische Entlehnungen und (6) sich gegenseitig kommentierende Schriftzeichen. Spätere Gelehrte wollten wissen, wie viele Schriftzeichen diesen Kategorien, auf deren kritische Analyse hier verzichtet werden muss, jeweils zuzuordnen sind. Im 12. Jh. untersuchte der Gelehrte Zheng Qiao rund 24.000 Schriftzeichen auf ihre Kategorienzugehörigkeit und differenzierte dabei noch einmal nach semantischen Gesichtspunkten. Die Ergebnisse veröffentlichte er im „Liu shu“ genannten Teil seines enzyklopädischen Werks Tongzhi, vollendet 1161. Über sechshundert Jahre später hat der Gelehrte Zhu Junsheng (1788K1858) das Shuo wen jie zi, in dem er 9.475 Schriftzeichen als Haupteinträge zählte K heute wird ihre Zahl mit 9.353 angegeben K, gründlich er-

97

6. Zur Geschichte quantitativ-linguistischer Forschungen in China

Tabelle 6.1: Zuwachs des Schriftzeicheninventars und Wandel der Anteile der liu shu-Kategorien am Inventar Inventar

Umfang

Shuo wen jie zi (1. Jh.) Zheng Qiaos Inventar (12. Jh.) Kangxi zidian (18. Jh.)

9.475 24.235 48.641

Anteil von Schriftzeichen der sechs Kategorien (in Prozent des Inventars) (1)

forscht und dabei nicht nur Xus sechs Kategorien weiter verfeinert, sondern auch erhoben, wie viele Schriftzeichen jeder Kategorie und Unterkategorie zuzuordnen sind. Die unterschiedlichen Inventarumfänge zeigen einerseits das Wachstum der Schriftzeichenmenge, einschließlich nicht mehr gebräuchlicher Schriftzeichen und graphischer Varianten. Andererseits zeigen die Zahlen auch die Zunahme des Anteils signifischphonetischer Schriftzeichen. Tabelle 6.1 zeigt die Zahlen (vgl. Wei 1979, 160K162), die die beiden genannten Gelehrten ermittelten, wobei ich auf Differenzierungen verzichte und eine moderne Auswertung des Schriftzeichenlexikons Kangxi zidian aus dem 18. Jh. hinzufüge (vgl. DeFrancis 1984, 84), um den weiteren Zuwachs an signifischphonetischen Schriftzeichen zu zeigen. Diese Angaben beruhen auf statistischen Listen, die den frühen Philologen zur Verfügung standen. Zwar wurden auch schon im vormodernen China Zusammenstellungen von Schriftzeichen angefertigt, die in den Klassikern häufig vorkamen und deren Kenntnis daher für die kaiserlichen Prüfungen relevant war, aber sie wurden nicht mit Häufigkeitsangaben versehen. Unter der letzten kaiserlichen Dynastie, d. h. während der Qing-Zeit 1644K1911 gelangte in China die historische Phonologie zu besonderer Blüte. Andere linguistische Fragestellungen wurden jedoch akut, als der Kontakt mit dem Westen, der den umfassenden Reformbedarf im chinesischen Reich deutlich machte, intensiver wurde. Die literarische Revolution der 4. Mai-Bewegung von 1919 bewirkte, dass bereits zu Anfang der 1920er Jahre die zeitgenössische Umgangssprache das klassische Chinesisch als Literatur- und überhaupt als Schriftsprache verdrängte, was wiederum zu neuen Fragen führte, die sich z. B. im Bildungssystem akut stellten.

(2)

(3)

3,8 % 1,3 % 12,3 % 2,4 % 0,4 % 3,0 % (1)K(3) zusammen: 3 %

3.

(4)

(5)

(6)

80,9 % 85,8 % 97 %

1,2 % 2,4 % K

0,5 % 1,4 % K

Die erste umfassende Erhebung zur Schriftzeichenhäufigkeit

Die Geschichte der modernen quantitativen Linguistik beginnt in China mit dem Pädagogen Chen Heqin (1892K1982), der in der Republikzeit, nämlich zu Beginn der 1920er Jahre mit der Hilfe von neun Mitarbeitern ein Textkorpus von insgesamt 554.478 Schriftzeichen-Tokens Umfang auswertete und dabei ein Inventar von 4.261 verschiedenen Schriftzeichen-Types gewann. Daraufhin wurden weitere 348.180 Schriftzeichen Text ausgewertet, was zur ersten Studie 458 weitere Schriftzeichen-Types hinzufügte. Der zweite Teil wurde jedoch durch Kriegseinwirkung vernichtet, so dass nur der erste Teil 1928 in Shanghai veröffentlicht werden konnte; eine zweite Auflage folgte 1936. Chens Buch führt die Schriftzeichen in einer Liste nach Radikal (das sind Komponenten, die für die Indexierung der Schriftzeichen herangezogen werden) und Strichzahl geordnet auf und gibt dazu jeweils die absolute Häufigkeit im Korpus an. Eine zweite Liste enthält die Schriftzeichen nach ihrer absoluten Häufigkeit absteigend geordnet, wobei alle Schriftzeichen mit gleicher Häufigkeit hinter der jeweiligen Zahl aufgeführt werden. Chen war kurz vor Beginn der 4. Mai-Bewegung von einem Auslandsstudium in den USA zurückgekehrt, wo er zweifellos mit modernen wissenschaftlichen Methoden in Berührung gekommen war. Ziel seiner Studie war es, diejenigen Schriftzeichen und ihre Häufigkeit zu ermitteln, die für die Bildung seiner Schüler und für ihre Teilnahme am gesellschaftlichen und politischen Leben relevant sind, um die Gestaltung des muttersprachlichen Unterrichts auf diese Daten stützen zu können. Die Umgangssprache, die sich gerade erst die Funktion einer Schriftsprache erobert hatte, wurde ja zwar von allen gesprochen, war aber kaum er-

98 forscht. Zu Chens Vorbildern zählte u. a. Edward L. Thorndike, aus dessen Forschungen wenige Jahre vorher The teacher’s word book (New York, 1921) für den muttersprachlichen Unterricht in den Vereinigten Staaten hervorgegangen war und dessen erste Fassung 10.000 Wörter enthielt. Chen, der nach der bloßen Zählung keine weiteren quantitativen Auswertungen vornahm, hat Zweck und Ziel seiner Studie, als Vorbilder dienende Arbeiten, Vorgehensweise, die Zusammensetzung des Korpus, nämlich Kinderbücher 23 %, Zeitungen 28 %, Zeitschriften 16 %, Lesetexte für Schüler 9 %, Erzählungen aus alter und neuer Zeit 13 %, Vermischtes 11 %, die sein pädagogisches Interesse deutlich wiederspiegelt, sowie seine Ergebnisse sorgfältig dokumentiert (Chen 11928/21936, 1 ff.; vgl. Menzel 2003, 186 f.), wodurch sie bis heute eine brauchbare Vergleichsgröße ist, obwohl sie durch die Schriftreform und neuere, umfangreichere Studien überholt ist. Nach Chens Pionierarbeit erfolgten einige weitere Untersuchungen (Su 2001c, 64K66), die aber weder einen vergleichbaren Umfang noch eine vergleichbare Bedeutung erlangten. Chen Heqin und George Kingsley Zipf wussten offensichtlich nicht voneinander, daher muss man es wohl als Zufall betrachten, dass Zipf sich ebenfalls Anfang der 1930er in Harvard mit der chinesischen Sprache und Schrift beschäftigte. Mit Hilfe seiner Kollegen Kan Yu Wang (Wang Kan Yu bzw. Wang Ganyu) und H. Y. Chang (Chang Hsin Yuan bzw. Zhang Xinyuan) stellte er ein Korpus von 20.000 Schriftzeichen-Tokens Umfang zusammen, das Zeichen für Zeichen in Lautschrift transkribiert wurde. (Zipf 1932, Appendix B) Das Korpus bestand aus je 1.000 Schriftzeichen Text, die zwanzig Texten in umgangssprachlicher Schriftsprache entnommen waren. Dies waren zum größten Teil Texte, die im Zuge der 4. Mai-Bewegung entstanden waren und in den Debatten der 1920er eine gewisse Rolle spielten. Für die Autoren und übersetzten Titel vgl. Rousseau/Zhang (1992, 219). Die Wortsegmentierung wurde mit Sicherheit durch Wang und Chang aufgrund ihrer muttersprachlichen Kompetenz vorgenommen, denn sie wird in der Studie nicht problematisiert. Zipf beschäftigt sich darin einerseits mit dem Zusammenhang zwischen der relativen Häufigkeit von Lauten und ihrer phonetischen Auffälligkeit, engl. conspicuousness, sowie ihrem Produktionsaufwand. An-

I. Allgemeines / General

dererseits untersucht er den Zusammenhang zwischen der Anzahl der Wörter mit einer bestimmten Häufigkeit und dieser Häufigkeit, und zwar für ein lateinisches, ein englisches und das genannte chinesische Korpus. Er kommt zu dem Ergebnis, dass sich chinesische Wörter in dieser Hinsicht nicht anders verhalten als die Wörter anderer Sprachen, ohne dies jedoch einem statistischen Test zu unterwerfen. Für eine kritische Würdigung vgl. Rousseau/Zhang (1992, 205K217). Die mir vorliegende chinesische Literatur zur quantitativen Erforschung der chinesischen Schrift enthält keinen Hinweis darauf, dass diese frühe Studie Zipfs in China rezipiert worden wäre.

4.

Forschungen zu Schriftzeichenund Worthäufigkeiten in der VR China bis 1989

Bis in die 1980er Jahre hinein war es vorrangiges Ziel fast aller Untersuchungen an Texten in der VR China zu ermitteln, welche Schriftzeichen in Texten und im Alltag häufig auftreten. Vor Pädagogen wie Sprachplanern lag ja nach 1949 zunächst die kolossale Aufgabe, bisher benachteiligte Bevölkerungsschichten zu literalisieren. Weiterhin galt die zeichenreiche und komplexe chinesische Schrift vielen Intellektuellen bereits seit rund hundert Jahren als ernstes Modernisierungshindernis, und so war eine zweite, nicht minder schwierige Aufgabe, sie zu vereinfachen, wozu mindestens die Kenntnis der Häufigkeitsverteilung im vor-mathematischen Sinn nötig war. Die dritte wichtige Aufgabe war die Optimierung und Standardisierung der Schriftzeichensätze für Verlage und Druckereien sowie für die Telegraphie. Nach der Kulturrevolution 1966K1976 und Mao Zedongs Tod 1976 übernahmen schließlich pragmatisch orientierte Politiker um Deng Xiaoping (gestorben 1997) die Führung des Landes. Die 1980er Jahre waren geprägt von der Politik der Vier Modernisierungen K darunter die Modernisierung von Wissenschaft und Technik K und der Öffnung gegenüber dem Ausland. Nunmehr zugängliche ausländische Veröffentlichungen über große Korpusprojekte wie das BrownKorpus, das LOB-Korpus usw. inspirierten auch chinesische Wissenschaftler. Die daraufhin einsetzenden und mit leichterer Verfügbarkeit immer schnellerer Rechner stark zu-

6. Zur Geschichte quantitativ-linguistischer Forschungen in China

nehmenden korpuslinguistischen Arbeiten zeigten bereits früh die linguistischen Probleme, an denen bis heute gearbeitet wird, darunter vor allem die Wortsegmentierung, denn die chinesische Schrift kennt keine Leerzeichen zwischen Wörtern, und die Wortartbestimmung, denn viele chinesische Wörter gehören mehreren Wortarten an. Eher technische Probleme wie unterschiedliche Zeichensätze, darin fehlende Schriftzeichen, uneinheitliche Beschreibungssprachen, Formate und Standards kamen noch hinzu. Dass in den 1980ern auch weitergehende theoretische Fragestellungen bearbeitet wurden, zeigt sich z. B. in der 1989 von Chen Yuan herausgegebenen Aufsatzsammlung, deren Beiträge sich u. a. mit dem Zipfschen Gesetz (Chang 1989, 41K44; Sun 1989, 61K65) der Berechnung von Dispersion und Anwendungsgrad (Chang 1989, 45K48; Sun 1989, 65K69), der Entropie der chinesischen Schrift (Feng 1989, 267K278) und Maßen zur Korpuskonstruktion und -bewertung (Liu/Wang/Zhang 1989, 74K88) befassen. Zwischen 1928 und 1988 entstanden mindestens 29 Listen häufig verwendeter Schriftzeichen, die auf unterschiedliche Weise zusammengestellt wurden und Inventare von rund 1.000 bis etwa 4.500 Schriftzeichen umfassen (vgl. Fu 1988, 22). Die in den 1950ern erfolgte Schriftreform stützte sich auf einige der vorher erarbeiteten Ergebnisse, veränderte selbst aber auch das Schriftzeichensystem, was neue Forschungen nötig machte. Erst nach dieser Reform begannen größere Projekte quantitativer Forschung, von denen ich die wichtigsten hier vorstellen möchte. 4.1. Das Projekt 748 In diesem nach dem Jahr 1974 und Monat (8 Z August) seiner Beantragung beim Planungskomitee des Staatsrats benannten Projekt, chin. 748-gongcheng, wurde ein Korpus von 21,6 Mio. Schriftzeichen-Tokens Umfang ausgewertet, das aus den Beständen der beteiligten Institutionen, nämlich Ministerien, Akademie der Wissenschaften, Nachrichtenagentur Neues China, Druckereien usw. ausgewählt worden war. Die Auswertung erfolgte von Hand und dauerte von 1974 bis 1977. Verarbeitet wurden 86 Bücher, 104 Zeitschriften und 7.075 Abhandlungen, die zwischen 1973 und 1975 erschienen. Die Texte wurden jeweils einem von vier Themenbereichen zugeordnet: Wissen-

99

schaft und Technik, Literatur und Kunst, politische Theorie oder Nachrichten. Der erste Bereich allein soll dabei bereits 39 % des Korpus eingenommen haben, während Literatur und Kunst nur 7 % ausmachten. (Gao/ Fan/Fei 1993, 132) Die Auswertung ergab ein Inventar von 6.374 Schriftzeichen-Types. Diejenigen 4.152 Schriftzeichen davon, die mehr als 21-mal im Korpus vorkamen, wurden zunächst in einer Tabelle mit dem Titel Hanzi pindu biao [Häufigkeitsliste der chinesischen Schriftzeichen] erfasst, die 1977 für den internen Gebrauch herausgegeben wurde. Zehn Jahre nach Beginn des Projektes erfolgte eine gründliche Revision sowie seine Digitalisierung, die genauere Zählungen und Berechnungen möglich machte. Als Ergebnis konnte 1988 Hanzi pindu tongji [Häufigkeitsstatistik chinesischer Schriftzeichen] (vgl. Bei/Zhang 1988) erscheinen. Darin sind 5.991 Schriftzeichen nach absteigender Häufigkeit aufgelistet, und zwar unterteilt in fünf Häufigkeitsniveaus. Weiterhin erfährt man jeweils die Strichzahl, die absolute Häufigkeit im Korpus und die kumulative absolute sowie die kumulative relative Häufigkeit. Diese Daten, abgesehen von den Kumulationen, gingen in das Hanzi xinxi zidian/Dictionary of Chinese character information (1988) ein, das Ende 1988 erschien und eine Fülle an Daten zu 7.785 Schriftzeichen enthält. Am Projekt 748 ist kritisiert worden, dass es dem Korpus an Balance mangele und die gewählten Texte zu stark durch zeitgeschichtliche Ereignisse, besonders die in den 1970ern durchgeführten politischen Kampagnen geprägt seien, was die Brauchbarkeit der Ergebnisse beeinträchtige (vgl. Su 2001a, 35; Gao/Fan/Fei 1993, 132). Mangels besserer Daten waren die Ergebnisse dieses Projekts jedoch für die Konstruktion des Chinesischen Schriftzeichensatzes für den Informationsaustausch (vgl. Abschnitt 4.6.1.) eine maßgebliche Grundlage (vgl. Su 2001c, 68). 4.2. Zhou Youguangs Hypothese von der degressiven Effektivität chinesischer Schriftzeichen Zhou Youguang, geboren 1906, wirkte von 1949 bis 1955 als Professor der Wirtschaftswissenschaften an der Fudan-Universität in Shanghai, bevor er 1956 in das Schriftreformkomitee berufen wurde, dem bzw. dessen Nachfolgeorganen er bis 1988 angehörte. In diesen gut 30 Jahren hat er sich als Sprach- und vor allem als Schriftwissen-

100

I. Allgemeines / General

Tabelle 6.2: Zhou Youguangs Hypothese der degressiven Effektivität chinesischer Schriftzeichen, ursprüngliche Zahlen Anzahl Schriftzeichen

Zuwachs

Abdeckung

Zuwachs der Abdeckung

Fehlende Abdeckung in %

1.000 2.400 3.800 5.100

K C 1.400 C 1.400 C 1.300

90 % 99 % 99,9 % 99,99 %

K C9 C 0,9 C 0,09

10 % 1% 0,1 % 0,01 %

schaftler profiliert und der modernen chinesischen Schriftzeichenwissenschaft ebenso wie der vergleichenden Graphemik entscheidende Impulse gegeben. Sein wirtschaftswissenschaftlicher Hintergrund unterschied ihn dabei von seinen traditionell ausgebildeten Kollegen: ihm war der Versuch vertraut, Theorien mathematisch auszudrücken, und er brachte dies gewissermaßen interdisziplinär in die Debatte ein. Zu Beginn der 1980er, als erst wenige Häufigkeitsuntersuchungen vorlagen, darunter Chen Heqins Arbeit (vgl. Abschnitt 3.) und das Projekt 748 (vgl. Abschnitt 4.1.), formulierte Zhou (1980, 96) erstmals die Hypothese von der degressiven Effektivität chinesischer Schriftzeichen, chin. Hanzi xiaoyong dijian lü. Diese Hypothese, die Zhou selbst als Regularität, chin. 律 lü, bezeichnete, sagt voraus, dass die häufigsten 1.000 Schriftzeichen 90 % aller gewöhnlichen Texte abdecken, die nächsten 1.400 Schriftzeichen diese Abdeckung um 9 % verbessern, die zweiten 1.400 Schriftzeichen noch einmal um 0,9 % und 1.300 weitere Schriftzeichen um 0,09 %. Bei Kenntnis von 5.100 häufigen Schriftzeichen würde man also 99,99 % alles gewöhnlichen Textmaterials lesen können, wie Tabelle 6.2 zeigt. Zhou hat diese Hypothese, die die asymptotische Annäherung an die vollständige Abdeckung aller Texte zu erfassen sucht, nie in eine Formel gefasst, so dass sie nicht ohne weiteres statistisch getestet werden kann. Die Erklärung sowie die höchsten Zahlen, s. letzte Zeile von Tabelle 6.2, hat er in den folgenden Jahren leicht variiert und elaboriert (vgl. Zhou 1992, 156; Su 2001c, 86). Während die von ihm angenommenen Zahlen nicht als absolut anzusehen sind, bestätigten spätere Häufigkeitsuntersuchungen (vgl. Abschnitt 4.3. und 4.6.2.), sie in mehr als nur der Tendenz. 4.3. Das Frequenzwörterbuch der modernen chinesischen Sprache Zu Beginn der 1980er Jahre wurde an der Sprachenhochschule Beijing, dem ehem.

Beijing Yuyan Xueyuan, heute Beijing Yuyan Daxue, ein Korpus von 1.808.114 Schriftzeichen-Tokens bzw. 1,31 Mio. Textwörtern Umfang ausgewertet, um sowohl Schriftzeichen- als auch Worthäufigkeiten bestimmen zu können. Die Ergebnisse sollten bei der Schriftzeichenstandardisierung, der chinesischen Textverarbeitung und der Sprachdidaktik dienlich sein. Das Korpus umfasste 179 Texte und Textabschnitte. Bei der Auswahl war darauf geachtet worden, dass die Texte ein breites Themenspektrum und unterschiedliche Funktionalstile in möglichst ausgeglichener Weise abdecken. Weiterhin wurden zehn zufällig gewählte Aufzeichnungen alltäglicher Dialoge sowie Tonbandaufnahmen von Vorträgen in nicht näher bestimmtem Umfang transkribiert und in das Korpus aufgenommen. Auch Schullehrbücher wurden berücksichtigt, nicht jedoch darin enthaltene Gedichte, Übersetzungen aus Fremdsprachen und Texte in vormodernem Chinesisch. Die Auswertung der Schullehrbücher erschien 1984 als selbständige Veröffentlichung unter dem Titel Hanyu cihui de tongji yu fenxi [Statistik und Analyse des Wortschatzes der chinesischen Sprache] (1984). Die Texte wurden jeweils einer von vier Kategorien zugeteilt, nämlich in solche mit im weitesten Sinne landeskundlicher und politischer Thematik (24,4 % des Korpus), populärwissenschaftliche Texte (15,7 %), zum Sprechen bestimmte umgangssprachliche Texte (11,2 %) und fiktionale Prosa (48,7 %). Die Auswertung ergab ein Inventar von 4.574 Schriftzeichen-Types und 31.159 WortTypes. 8.000 Wörter kamen häufiger als zehnmal im Korpus vor. Die Ergebnisse sind in den acht Tabellen des Xiandai Hanyu pinlü cidian [Frequenzwörterbuch der modernen chinesischen Sprache] (1986) dargestellt. Die ersten sechs Tabellen enthalten Daten zu den Wörtern, während die beiden letzten Tabellen den Schriftzeichen gewidmet sind. Zu jedem Wort wurde der Anwendungsgrad berechnet, und zwar als Produkt

6. Zur Geschichte quantitativ-linguistischer Forschungen in China

seiner Dispersion (vgl. Xiandai Hanyu pinlü cidian 1986, XVIII) und seiner absoluten Häufigkeit. Die erste Tabelle ist eine alphabetisch geordnete Liste, die diejenigen 16.593 Wörter mit einem Anwendungsgrad größer zwei enthält. Neben absoluter und relativer Häufigkeit, Dispersion und Anwendungsgrad kann man für jede Kategorie ablesen, in wie vielen ihrer Texte das Wort vorkommt und welche Häufigkeit es in der Kategorie insgesamt hat. Die zweite Tabelle teilt sich in zwei Teile: Der erste enthält die 8.000 Wörter mit dem höchsten Anwendungsgrad und der zweite die 8.000 Wörter mit der höchsten Häufigkeit, jeweils absteigend geordnet und nummeriert. Neben dem Anwendungsgrad sind absolute und relative Häufigkeit sowie jeweils die kumulativen Häufigkeiten abzulesen. Die dritte Tabelle enthält 22.446 Wörter mit relativ niedrigem Anwendungsgrad, nach diesem und der absoluten Häufigkeit absteigend geordnet. Die vierte Tabelle gliedert sich nach den thematischen Kategorien in vier Teile und enthält für jede thematische Kategorie die 4.000 darin häufigsten Wörter nebst Wortklassenangabe, Aussprache, Frequenzrang, absoluter Häufigkeit, relativer Häufigkeit sowie deren jeweiliger Kumulation, der Verteilung auf Texte und einer Angabe zur Häufigkeitsebene in der Kategorie. Die fünfte Tabelle zeigt diejenigen 360 Wörter, die die höchsten Dispersionswerte haben. Die sechste Tabelle analysiert für die 300 häufigsten Wörter schließlich, wie stark ihre Häufigkeit in den vier Kategorien von dem aufgrund ihrer Gesamthäufigkeit im Korpus erwarteten Wert abweicht. Die siebte Tabelle enthält die 4.574 Schriftzeichen, geordnet nach ihrer absoluten Häufigkeit. Weiterhin erfährt man die relative Häufigkeit und von beiden Angaben die Kumulation. Zuletzt kann man ablesen, an der Darstellung wie vieler einsilbiger und mehrsilbiger Wörter das Schriftzeichen im Korpus beteiligt war. Die häufigsten 1.000 Schriftzeichen decken 91,36 % des Korpus ab, die häufigsten 2.400 98,97 % und die häufigsten 3.800 99,93 %. Diese Zahlen entsprechen fast genau den von Zhous Hypothese der degressiven Effektivität von Schriftzeichen vorhergesagten Werten (vgl. Abschnitt 4.2.). Die achte Tabelle enthält noch einmal alle Schriftzeichen, und zwar geordnet nach ihrer sogenannten Wortbildungsfähigkeit, d. h. nach der Gesamtzahl verschiedener Wörter, an deren Darstellung jedes Schriftzeichen im Korpus

101

beteiligt ist. Die absolute Häufigkeit ist auch hier angegeben, dazu die Anzahl und Gesamthäufigkeit einsilbiger Wörter, die ein Schriftzeichen darstellt, sowie jeweils die Anzahl mehrsilbiger Wörter, an deren Darstellung es am Wortanfang, in der Wortmitte oder am Wortende beteiligt ist, und die jeweilige Gesamthäufigkeit. Dieses Korpus ist inzwischen durch umfangreichere übertroffen worden, jedoch stellt das entstandene Frequenzwörterbuch die Ergebnisse in besonders vielfältiger Weise dar, so dass es in mancher Hinsicht bis heute hilfreicher ist als dasjenige, das im nächsten Abschnitt besprochen wird. 4.4. Die Daten von 1985 und das Frequenzwörterbuch häufiger Wörter des modernen Chinesisch Die sogenannten Daten von 1985 heißen manchmal so, weil sie aus einer Korpusuntersuchung stammen, die 1985 soweit abgeschlossen wurde, dass eine Schriftzeichenfrequenzliste vorgelegt werden konnte, die Shehui kexue ziran kexue zonghe Hanzi pindubiao [Zusammenfassende Häufigkeitsliste von Schriftzeichen in den Sozial- und Naturwissenschaften] heißt, inzwischen erschienen in Xiandai Hanyu zipin tongji biao (1992, 1K174). Unter Leitung der Abteilung für Informatik und Ingenieurwesen der Luftfahrthochschule Beijing und dem Büro für Schriftzeichenarbeit des Chinesischen Komitees für Schriftreform war dafür ein Korpus mit einem Umfang von 11.873.029 Schriftzeichen-Tokens Umfang ausgewertet worden. Seine genaue Zusammensetzung und die verwendeten Quellen wurden offenbar nicht veröffentlicht, wie z. B. Chen (1989b, 10K11) beklagt. Die untersuchten Texte, die zwischen 1977 und 1982 erschienen waren, wurden zwei Oberkategorien, nämlich geistes- und sozialwissenschaftliche Inhalte einerseits sowie naturwissenschaftlich-technische Inhalte andererseits zugeordnet. Diese Oberkategorien waren wiederum in jeweils fünf Unterkategorien unterschiedlichen Umfangs unterteilt. Der geistes- und sozialwissenschaftliche Anteil am Korpus betrug 69,8 %, der naturwissenschaftlichtechnische 30,2 %. Dieses Korpus setzte sich aus 7.745 Schriftzeichen-Types zusammen, von denen die 3.500 häufigsten 99,49 % der untersuchten Texte abdeckten. Die Studie, aus der die Daten von 1985 stammen, ist Teil eines umfangreicheren Projektes, für das ein Korpus von insgesamt

102

I. Allgemeines / General

21.084.616 Schriftzeichen-Tokens Umfang ausgewertet wurde. Die untersuchten Texte waren nach vier Zeitabschnitten gegliedert, nämlich 1919K1949 ohne naturwissenschaftlich-technischen Texte, 1950K1955, 1967K 1976 und 1977K1982, wobei Länge wie Beitragsumfang der Zeitabschnitte variierten und auch die Anteile der Unterkategorien in ihren Proportionen unterschiedlich ausfielen. (vgl. Liu/Liang/Wang u. a. 1990, 12) Insgesamt wurden in diesem Gesamtkorpus 8.079 verschiedene Schriftzeichen gefunden. Die untersuchten Texte wurden angeblich automatisch in Wörter segmentiert, wobei auch heterophone Homographen als unterschiedliche Wörter erkannt wurden. Insgesamt wurden 77.482 Wort-Types und frei verwendbare Wortgruppen erkannt. Unter den Wörtern gab es 7.611 einsilbige, 46.729 zweisilbige, 11.213 dreisilbige, 9.633 viersilbige, 1.414 fünfsilbige, 675 sechssilbige und 207 siebensilbige, wobei die Zahl der Silben hier als gleich der Zahl der zu schreibenden Schriftzeichen zu sehen ist. 46.520 der gefundenen Wörter wurden 1990 im Xiandai Hanyu changyongci cipin cidian [Frequenzwörterbuch häufiger Wörter des modernen Chinesisch] (Liu/Liang/Wang u. a. 1990, 9) veröffentlicht. Dieses Häufigkeitswörterbuch, das alphabetisch geordnet ist, enthält acht Tabellen. Die erste ist eine Gesamttabelle. Die zweite listet die einsilbigen Wörter auf, die dritte die zweisilbigen usw. Die Wörter sind jeweils nummeriert und in Schriftzeichen sowie in der Hanyu Pinyin-Lautschrift angegeben. Zu jedem Wort findet man die absolute und relative Häufigkeit sowie die in der jeweiligen Tabelle kumulierte relative Häufigkeit. Leider gibt es hier keine Angaben zur Dispersion oder zum Anwendungsgrad, weder nach Kategorien noch nach Zeiträumen aufgeschlüsselt. Tabelle 6.3 zeigt, wie sich die Länge der Wörter, gemessen in Schriftzeichen, unter allen gefundenen Wörtern und unter den ins Frequenzwörterbuch aufgenommenen Wörtern prozentual verteilt.

Die oben erwähnte Zusammenfassende Häufigkeitsliste von Schriftzeichen in den Sozial- und Naturwissenschaften erschien 1992 als Teil von Xiandai Hanyu zipin tongji biao [Schriftzeichenfrequenztabellen der modernen chinesischen Sprache] (1992), einem Häufigkeitswörterbuch, das insgesamt dreizehn Tabellen enthält. Eigtl. sind es sogar 26, denn jede erscheint zweimal: einmal nach Häufigkeit absteigend und einmal alphabetisch geordnet. Darin findet man die 7.745 Schriftzeichen, die die Auswertung des Teilkorpus aus dem Zeitraum 1977K1982 ergeben hatte. Die erste Tabelle ist eben die oben erwähnte Zusammenfassende Häufigkeitsliste. Die zweite Tabelle enthält alle Schriftzeichen aus den Texten der sozialund geisteswissenschaftlichen Kategorien und die nächsten fünf Tabellen die Schriftzeichen aus den entsprechenden Unterkategorien. Entsprechend enthält die achte Tabelle alle Schriftzeichen aus den naturwissenschaftlich-technischen Texten und die folgenden fünf Tabellen jeweils die Schriftzeichen aus den fünf dazu gehörenden Unterkategorien. Zu jedem Schriftzeichen sind Strichzahl und Aussprache angegeben. Weiterhin erfährt man auch hier die absolute und relative Häufigkeit sowie die kumulierte relative Häufigkeit in der jeweiligen (Unter-)Kategorie. Während man in den Häufigkeitswörterbüchern, die aus diesen Untersuchungen hervorgegangen sind, vergebens nach Angaben wie Dispersion oder Anwendungsgrad sucht, lassen sich aus ihnen leichter Daten zur Längenverteilung der Wörter bezüglich des Gesamtkorpus, leider ohne Differenzierung nach Zeitabschnitten, sowie zur Verteilung von Schriftzeichen auf und ihre Häufigkeit in den thematischen Unterkategorien erhalten, letzteres zumindest für den jüngsten berücksichtigten Zeitraum. 4.5. Zwei weitere Korpora aus den 1980er Jahren Das wohl größte in den 1980ern zusammengestellte Korpus der modernen chinesischen

Tabelle 6.3: Wortlängenverteilung im Frequenzwörterbuch von Liu/Liang/Wang u. a. (1990, 9) Länge in Schriftzeichen: Wort-Types im Korpus (in % des unters. Inventars): Ins Frequenzwörterbuch aufgenommen (in % des aufgenommenen Inventars):

1

2

3

4

5

6

7

Gesamtzahl:

9,82

60,31

14,47

12,43

1,83

0,87

0,27

10,89

67,04

11,02

9,82

0,82

0,31

0,09

77.482 (Z 100 %) 46.520 (Z 100 %)

6. Zur Geschichte quantitativ-linguistischer Forschungen in China

Sprache ist eines aus allen Meldungen der Nachrichtenagentur Neues China aus dem Jahr 1986. Diese 90.627 Agenturmeldungen umfassen insgesamt über 40,6 Mio. druckbare Zeichen, wovon 36.341.643 chinesische Schriftzeichen-Tokens sind. Die Meldungen setzen sich aus einem Inventar von 6.001 Schriftzeichen-Types zusammen. Guo (1989, 98K106) stellt verschiedene Vergleiche zwischen der Häufigkeitsverteilung von Schriftzeichen in diesem Korpus und in dem Korpus des Projekts 748 (vgl. Abschnitt 1.) an und untersucht darüber hinaus, wie sich das Auftreten von Schriftzeichen aus den beiden Ebenen des Basissatzes (vgl. Abschnitt 4.6.1.) verteilt. 16 Schriftzeichen aus der Ebene der häufigen Schriftzeichen dieses Zeichensatzes und 1.145 Schriftzeichen aus der zweiten Ebene mit etwas weniger häufigen Schriftzeichen kamen im ganzen Jahr 1986 nicht ein einziges Mal vor. Dagegen kamen 422 Schriftzeichen in den Agenturmeldungen vor, die nicht im Basissatz enthalten sind und daher bei jedem Auftreten mit anderen Mitteln kodiert werden mussten, z. B. durch die Telegraphiechiffre oder die Angabe der Grapheme. Während die Ergebnisse für die Nachrichtenagentur Neues China und vergleichbare Einrichtungen von Bedeutung gewesen sein mögen, wird das Korpus sonst kaum mehr erwähnt. 1988 wurde an der Shanxi-Universität in Taiyuan, Provinz Shanxi, ein weiteres Nachrichtenkorpus vollendet, das insgesamt 2,5 Mio. Schriftzeichen-Tokens umfasste. Es teilte sich den vier ausgewerteten Presseorganen entsprechend in vier Teile: 1,5 Mio. Schriftzeichen entstammten den Ausgaben vom Juli 1987 der Tageszeitung Renmin ribao / People’s Daily, 0,2 Mio. den Ausgaben der in Beijing erscheinenden technischen Zeitung Beijing keji bao vom selben Monat, 0,5 Mio. den Fernsehnachrichten des Senders Chinese Central Television CCTV und 0,3 Mio. dem dritten Heft 1987 der zweimonatlich erscheinenden Zeitschrift Dangdai [Gegenwart]. (vgl. Feng 2002, 138) Mit Ausnahme des Fernsehnachrichten-Teils diente dieses Korpus zur Validierung der Liste häufiger Schriftzeichen des modernen Chinesisch, die in Abschnitt 4.6.2. besprochen wird. 4.6. Wichtige Schriftzeichenlisten der modernen chinesischen Sprache Als Ergebnisse von Forschungen zu Schriftzeichenhäufigkeiten entstanden in den

103

1980ern einige Schriftzeichenlisten, die anschließend entweder tatsächlich zum nationalen Standard erklärt wurden wie der Chinesische Schriftzeichensatz für den Informationsaustausch (vgl. Abschnitt 4.6.1.) oder ohne einen solchen offiziellen Akt den Status eines Quasi-Standards erlangten. Drei Listen, die häufige Schriftzeichen enthalten, aber ganz spezifischen Zwecken dienen, werde ich hier nicht besprechen, nämlich die Druckformenliste allgemein gebräuchlicher Schriftzeichen, chin. Yinshua tongyong Hanzi zixingbiao, von 1965 mit 6.196 Schriftzeichen, das revidierte Standard-Telegraphiechiffrenheft, chin. Biaozhun dianma ben xiudingben, von 1983 mit 7.292 Schriftzeichen sowie die Gestufte Schriftzeichenliste für die standardisierte Sprachprüfung des Chinesischen, chin. Hanzi dengji dagang (Hanyu shuiping cihui yu Hanzi dengji dagang 1992, 320K363) mit 2.905 Schriftzeichen. Drei andere Listen werde ich dagegen vorstellen; sie sind aus Häufigkeitsuntersuchungen hervorgegangen und werden heute selbst oft als Vergleichsgrößen oder Ausgangsmengen für neue Untersuchungen gewählt. Sie werden in der diesbezüglichen Literatur entsprechend oft erwähnt. 4.6.1. Der Chinesische Schriftzeichensatz für den Informationsaustausch Der Zeichensatz Xinxi jiaohuan yong Hanzi bianma zifuji K jibenji [Chinesischer Schriftzeichensatz für den Informationsaustausch K Basissatz] (u. a. in Lunde 1999, 638 ff.), kurz Basissatz, ist die chinesische Antwort auf den ASCII-Zeichensatz. Seine Konstruktion begann 1979 und war zwei Jahre später vollendet. Er wurde sogleich zum nationalen Standard erklärt und erhielt die Standardnummer GB 2312-80. Er ist in chinesischen Betriebssystemen sowie Erweiterungen, welche die Eingabe chinesischer Schriftzeichen in Standardanwendungen unter nicht chinesischen Betriebssystemen ermöglichen, weit verbreitet und allgemein als GB-Code bekannt. Bei der Zusammenstellung des Basissatzes wurden die Ergebnisse des Projekts 748 (vgl. Abschnitt 4.1.), die erwähnte Druckformenliste allgemein gebräuchlicher Schriftzeichen, der Zeichensatz einer großen Druckletternfabrik, zwölf nicht allzu alte gebräuchliche Wörterbücher und neun Aufstellungen häufiger Schriftzeichen zu Rate gezogen. (Wei 1989, 188) Auf dieser Grund-

104 lage wurden 6.742 Schriftzeichen und 21 Komponenten, d. h. insgesamt 6.763 Zeichen für den Basissatz ausgewählt. Sie wurden in zwei Ebenen geteilt. Die erste Ebene umfasst 3.755 häufige Schriftzeichen, die nach ihrer Aussprache in Hanyu Pinyin-Transkription, d. h. alphabetisch geordnet sind. Die zweite Ebene enthält 2.987 weniger häufige Schriftzeichen und dazu 21 Komponenten, nämlich sogenannte Radikale, chin. bushou, die dazu benutzt werden, Schriftzeichen nach graphischen Kriterien zu ordnen. Diese Ebene ist entsprechend nach dem Radikal als erstem und der Strichzahl als zweitem Kriterium geordnet. Die Kodierung der Schriftzeichen erfordert zwei Byte, da nur so ausreichend Code-Plätze zur Verfügung stehen. Ein Teil der Plätze im GB-Code ist Steuerzeichen, Sonderzeichen, lateinischen, japanischen, kyrillischen Zeichen, Zahlzeichen und graphischen Zeichen gewidmet. Der Basissatz ist schon recht umfassend, kann aber nicht alle Schreibbedürfnisse befriedigen. Die Autoren des Wortfrequenzwörterbuchs Xiandai Hanyu changyongci cipin cidian (vgl. Liu/Liang/Wang u. a. 1990, 8) schreiben z. B., dass sie Schriftzeichen, die im Basissatz nicht erfasst sind, nicht berücksichtigen konnten. Um Problemen dieser Art und ihren Konsequenzen zu begegnen, wurden im Laufe der 1980er Jahre zwei Ergänzungssätze, chin. fuzhuji, mit zusammen 14.276 Schriftzeichen konstruiert und zum Standard erklärt (Lunde 1999, 80K83). Für die unvereinfachten Vollformen der Schriftzeichen entstanden zusätzlich Entsprechungen dieser Zeichensätze, die zur Verwendung empfohlen wurden. (Lunde 1999, 83K88) Die Entwicklung des Unicode wird den Basissatz wie die Ergänzungssätze in absehbarer Zeit obsolet werden lassen. Als Zwischenstufe ist zur Zeit ein erweiterter Zeichensatz des GB-Codes in Gebrauch, der GBK abgekürzt wird und jene chinesischen Schriftzeichen enthält, die im Unicode enthalten sind, im Basissatz jedoch fehlen. 4.6.2. Die Liste häufiger Schriftzeichen des modernen Chinesisch Gegen Ende der 1980er Jahre lagen ausreichend Ergebnisse aus umfangreichen Häufigkeitsuntersuchungen vor, um die Konstruktion einer Liste häufiger Schriftzeichen des modernen Chinesisch in Angriff zu nehmen, die als Bezugspunkt für Zwecke wie Lehrwerkserstellung und Literalisierung dienen können würde. Diese Xiandai Hanyu

I. Allgemeines / General

changyongzi biao [Liste häufiger Schriftzeichen der modernen chinesischen Sprache] (1988) erschien 1988. Zu ihrer Zusammenstellung, die in ihrem Vorwort sowie in Fu (1988, 22 ff.) dokumentiert ist, wurden 15 bereits existierende Häufigkeitswörterbücher und -listen, angefangen mit Chen Heqins Ergebnissen (vgl. Abschnitt 3.), sowie fünf allgemein gebräuchliche Wörterbücher bzw. statische Schriftzeichenlisten, darunter die bereits erwähnte Druckformenliste und das Standard-Telegraphiechiffrenheft, herangezogen. Diese zwanzig Materialien enthielten zusammen 8.938 verschiedene Schriftzeichen. (Fu 1988, 23) Berücksichtigt wurde nicht nur die durchschnittliche Häufigkeit von Schriftzeichen in den fünf Listen und Lexika, die Häufigkeitsangaben machen, sondern auch ihre Verteilung über alle zwanzig Materialien, ihr Anwendungsgrad in den Daten von 1985 und ihre Wortbildungsfähigkeit, zu deren Bestimmung ein Kollokationenwörterbuch herangezogen worden war. Nach Beratungen mit Experten wurden außerdem einige Schriftzeichen aufgenommen, die Wörter repräsentieren, welche vor allem in der Umgangssprache, selten jedoch in der Schriftsprache vorkommen. Das Ergebnis war eine Liste, die insgesamt 3.500 Schriftzeichen umfasst und sich in zwei Teile teilt, nämlich in 2.500 häufige Schriftzeichen, chin. changyongzi, und 1.000 nächst-häufige Schriftzeichen, chin. ci-changyongzi. Die Liste wurde an den 2 Mio. Schriftzeichen des Korpus der Shanxi-Universität (vgl. Abschnitt 4.5.), die den Zeitungen Renmin ribao / People’s Daily und Beijing keji bao [Beijinger Zeitung für Wissenschaft und Technik] sowie der Zweimonatsschrift Dangdai [Gegenwart] entstammten, überprüft. Dabei deckten die 2.500 häufigeren Schriftzeichen 97,97 % und die 1.000 nächst-häufigen Schriftzeichen 1,51 % dieses Testkorpus ab, was zusammen 98,48 % ergibt und die Autoren schließen ließ, dass die in der Liste enthaltene Auswahl realistisch sei. (Xiandai Hanyu changyongzi biao 1988, 7) Das Ergebnis dieser Überprüfung bestätigte Zhous Hypothese von der degressiven Effektivität chinesischer Schriftzeichen (vgl. Abschnitt 4.2.). 4.6.3. Die Liste allgemein gebräuchlicher Schriftzeichen des modernen Chinesisch Gleichzeitig mit der Liste häufiger Schriftzeichen des modernen Chinesisch und als

6. Zur Geschichte quantitativ-linguistischer Forschungen in China

Erweiterung derselben entstand die Liste allgemein gebräuchlicher Schriftzeichen des modernen Chinesisch mit dem Titel Xiandai Hanyu tongyongzi biao (1989). Diese Liste, die aus derselben Untersuchung hervorging und auf denselben Materialien und Auswahlprinzipien beruht, umfasst 7.000 Schriftzeichen, von denen 6.721 im sogenannten Basissatz (vgl. Abschnitt 4.6.1.) enthalten sind. Man findet in ihr nicht nur die ermittelten Schriftzeichen, sondern kann auch einen Einblick in die Daten gewinnen, die herangezogen bzw. aus den verwendeten Materialien errechnet wurden. Die ersten 2.700 Schriftzeichen sind in wenigstens 15 der insgesamt 20 Listen und Lexika enthalten und kommen in wenigstens drei, in den meisten Fällen jedoch in vier und zum Teil in allen fünf verwendeten Häufigkeitslisten vor. Es folgt ein Mittelfeld, und ab etwa dem Schriftzeichen mit der Nr. 5.200 sind die meisten folgenden Schriftzeichen entweder in keiner oder nur noch in einer Liste mit Häufigkeitsdaten enthalten. Die angegebene durchschnittliche Häufigkeit in der 5. Spalte errechnet sich als Mittel der Häufigkeiten, die in den fünf verwendeten Häufigkeitswörterbüchern oder -listen für das betreffende Schriftzeichen angegeben sind, sofern es darin vorkam. Da unterschiedlich viele Werte in diesen Durchschnitt eingehen und diese Werte auch auf unterschiedliche Weise zustande kamen, hat diese Angabe nur einen sehr begrenzten Aussagewert. Von den sog. Daten von 1985 (vgl. Abschnitt 4.4.) sind die absolute Häufigkeit, der Anwendungsgrad und die Anzahl der Unterkategorien jenes Korpus, in denen ein Schriftzeichen vorkommt, angegeben, leider jedoch nicht die relative Häufigkeit, die mehr Aussagekraft hätte als der eben kritisierte Durchschnittswert. Obwohl die Liste allgemein gebräuchlicher Schriftzeichen auch Schriftzeichen enthält, die nicht mehr tatsächlich als allgemein gebräuchlich zu bezeichnen sind, und in einzelnen Punkten zu kritisieren wäre, hat sie aufgrund ihres Umfangs, wegen der prinzipiengeleiteten Art ihrer Zusammenstellung und weil die Herausgabe durch eine staatliche Einrichtung erfolgte, nämlich die Schriftzeichenabteilung des Staatlichen Komitees für die Arbeit an Sprache und Schrift, einen vergleichbar autoritativen Status wie die Liste häufiger Schriftzeichen. Eine Revision mag wünschenswert erscheinen, dürfte aber noch längere Zeit auf sich warten lassen.

5.

105

Forschungen in der VR China in den 1990er Jahren

In den 1990ern erschienen einerseits einige Frequenzwörterbücher, die Ergebnisse von Forschungen der 1980er Jahre sind (vgl. Abschnitt 4.), andererseits wurden Probleme angegangen, deren Bedeutung im Zuge jener Forschungen deutlich geworden waren. Dies waren vor allem die Probleme der Wortsegmentierung und der Wortartbestimmung, aber auch die Frage nach den Prinzipien, die die Konstruktion von Korpora leiten sollten. In diesem Jahrzehnt entstanden viele Korpora für die verschiedensten Zwecke. Zwei Korpusprojekte werden in Abschnitt 5.2. vorgestellt. Außerdem entstanden die ersten syntaktischen Baumbanken, engl. tree banks, und Terminologie-Datenbanken, die hier jedoch nicht weiter behandelt werden. 5.1. Wortsegmentierung und Wortartannotierung Vom Anfang korpus- und computerlinguistischer Arbeiten an chinesischen Texten an war die Wortsegmentierung ein großes Problem, weil Wortgrenzen im Schriftbild nicht durch Leerzeichen markiert sind und die Definition der Einheit Wort umstritten ist. Erschwert wird die automatische Segmentierung dadurch, dass es Schriftzeichenketten gibt, die auf mehr als eine Weise sinnvoll zerlegbar sind, was die Konsistenz der Zerlegung beeinträchtigt (Sun 1999, 88K 89; Wen 2001, 36 ff.). Nach Erprobung verschiedener Mustererkennungsmethoden (Liu 1992, 36K37) wurde 1992 der Standard zur Wortsegmentierung der modernen chinesischen Sprache in der Datenverarbeitung (Xinxi chuli yong xiandai Hanyu fenci guifan 1993) definiert, der die staatliche Standardnummer GB/T 13715K92 bekam. T steht für chin. tuijian, dt. empfehlen. In seine Formulierung gingen Erfahrungen mit ein, die seit der Korpusanalyse für das Frequenzwörterbuch häufiger Wörter des modernen Chinesisch (vgl. Abschnitt 4.4.) gemacht worden waren (vgl. Wang 1999, 18K20). Er zeichnet sich durch eine Menge spezifischer Regeln aus, von denen nicht alle erklärt werden oder auch nur gerechtfertigt erscheinen. So werden zum Beispiel mit bestimmten Derivationssuffixen abgeleitete Nomen als ein Wort bestimmt, während andere Nomen, die das Plural-Suffix -men haben, zerlegt werden, außer das Wort renmen, dt. Leute, und

106 rhotazisierte Nomen wie ge’rCmen, dt. Brüder. Persönliche Eigennamen wie Mao Zedong werden ebenfalls zerlegt und als zwei Wörter gezählt. Auch im Falle von Reduplikationen sind die Regeln uneinheitlich. Wörter mit dem Reduplikationsmuster AABB werden als ein Wort betrachtet, während solche mit dem Muster ABAB in zwei zerlegt werden (Sproat/Shih 2001, 17). Dieser Standard und seine Anwendung ist in Liu/Tan/Shen (1994, 1 ff.) ausführlich beschrieben. Im Kontrast zu der Vorgehensweise auf dem Festland wurde in Taiwan versucht, Regeln zu entwickeln, die linguistisch zutreffend sowie automatisch verarbeitbar sind und dabei zu einheitlichen Ergebnissen führen (Huang/Chen/Chang u. a. 1997, 47 ff.). Dazu werden aus wenigen allgemeinen Leitlinien spezifischere Regeln abgeleitet. Auch an der University of Pennsylvania, USA, finden in größerem Umfang Forschungen zur digitalen Verarbeitung des Chinesischen statt. Die dort zur Wortsegmentierung und gleichzeitigen Annotierung entwickelten Regeln ähneln wiederum eher denen des festländischen Standards, da spezifische Regeln vorherrschen. Anders als die beiden chinesischen Standards werden hier jedoch auch phonologische Phänomene bei der Abgrenzung von Wort und Affix berücksichtigt. Bei komplexen Wörtern K man könnte in bestimmten Fällen auch von Wortformen sprechen K, die gewissermaßen eine interne syntaktische Struktur haben, wird diese ebenfalls markiert, bleibt aber von den Markierungen gewöhnlicher Wörter unterscheidbar (Sproat/Shih 2001, 17K18). Der in der VR China definierte Standard beschreibt, was als ein Wort oder mehrere Wörter zu sehen ist, aber er schreibt keine Segmentierungsstrategie vor (Jin/Guo/Xiao u. a. 2003, 16). Neben lexikon- und regelbasierten Segmentierungsmethoden wurden bereits in den 1990ern statistische Methoden entwickelt und implementiert. Das SegTagSystem, das an der Qinghua-Universität in Beijing entwickelt wurde und z. B. in Shen/ Sun/Huang (1999, 1K6) beschrieben wird, verbindet regelbasierte und statistische Ansätze. In ihm sind Segmentierung und Wortartannotierung integriert. Zur Wortartannotierung ist noch kein nationaler Standard formuliert worden. Soweit bereits annotierte Korpora vorliegen, wurden Mengen von etwa 40 tags verwendet, die jeweils entsprechend dokumentiert wur-

I. Allgemeines / General

den. Das Problem der automatischen Annotierung besteht darin, dass es viele Wörter gibt, die nicht nur einer Wortart zuzuordnen sind, und Wörter zumeist keine morphologischen Merkmale aufweisen, die auf ihre Wortart schließen lassen. Ausnahmen sind das Pluralsuffix -men, das in bestimmten Fällen Nomen affigiert wird, die Personen bezeichnen, und die Aspektsuffixe -le, -zhe und -guo, die Verben affigiert werden. Verben treten aber auch ohne Suffix auf. Eine syntaktische Analyse, z. B. unter Verwendung des Ende der 1990er erschienenen elektronischen Xiandai Hanyu yufa xinxi cidian [Wörterbuch syntaktischer Informationen der modernen chinesischen Sprache] (vgl. Yu/Zhu/Wang u. a. 1998, 13 ff.), führt in vielen Fällen weiter, aber da die chinesische Sprache in hohem Maße elliptische Auslassungen erlaubt, ist eine solche Analyse ein komplexes Unterfangen. Die Verbindung von regelbasierten und statistischen Ansätzen wie im SegTag-System verspricht jedoch praktikable Lösungen. Verfahren des maschinellen Lernens werden ebenfalls erprobt. 5.2.

Zwei große Korpora aus den 1990er Jahren 5.2.1. Das Annotierte People’s DailyKorpus Unter Bezugnahme auf den Wortsegmentierungsstandard GB/T 13715-92 entwickelte das Fujitsu Research and Development Center in Beijing zusammen mit dem Institut für Computerlinguistik der Peking-Universität, chin. Beijing Daxue, ein annotiertes Korpus aus Nachrichtentexten, das Renmin ribao biaozhu yuliaoku [Annotiertes People’s Daily-Korpus], kurz PFR-Korpus. Es besteht aus den Texten aller Ausgaben der regierungsoffiziellen Tageszeitung Renmin ribao / People’s Daily des ersten Halbjahrs 1998. Nach Herstellerangaben umfasst es rund 13 Mio. Schriftzeichen bzw. rund 7,3 Mio. Wörter. Die Texte wurden markiert, segmentiert und die Wörter mit Wortartangaben annotiert. Die syntaktische Annotierung wurde gleichzeitig mit der automatischen Segmentierung vorgenommen, wobei das elektronische Xiandai Hanyu yufa xinxi cidian (vgl. Abschnitt 5.1.) verwendet wurde (vgl. Duan/Matsui/Xu u. a. 2000, 74) und etwas über 40 tags zur Anwendung kamen. Seit August 2001 ist das Korpus käuflich zu erwerben und kostet 2.000 RMB (URL: „http: //www.cyber.net.cn/show/show_detailed.php?

6. Zur Geschichte quantitativ-linguistischer Forschungen in China

searchblZ1&numberZsn03“), was z. Zt. rund 200 Euro entspricht. Die Erweiterung um die Texte des zweiten Halbjahres 1998 war geplant, scheint aber noch nicht fertiggestellt bzw. erschienen zu sein. 5.2.2. Das Korpus der modernen chinesischen Sprache Zu Beginn der 1990er wurde die Arbeit an einem sehr großen Korpus des modernen Chinesisch aufgenommen, das Ende des Jahrzehnts zumindest in roher Form seine Zielgröße von 70 Mio. Schriftzeichen erreichte. Seine Konstruktion wird vom Staatlichen Komitee für die Arbeit an Sprache und Schrift angeführt. Dieses systematische Korpus soll vielfältigen Zwecken dienen und darum das moderne Chinesisch in umfassender Weise wiederspiegeln. Sowohl für bestimmte Zeiträume seit der ersten Verwendung der Umgangssprache als Schriftsprache, die vor allem durch zeitgeschichtliche Ereignisse bestimmt sind, als auch für die abgegrenzten Themenbereiche wurden bestimmte Proportionen festgelegt. So werden die Jahre 1919 bis 1925 (Zeit der 4. Mai-Bewegung) mit 5 %, die Jahre 1926 bis 1949 (Dezennium von Nanjing, Krieg gegen die japanische Besatzung, Bürgerkrieg) mit 15%, die Jahre 1950 bis 1965 (Aufbauphase der VR) mit 25 %, die Jahre 1966 bis 1976 (Kulturrevolution) mit 5 % und die Zeit von 1977 bis heute (post-kulturrevolutionäre Phase, Reform und Öffnung, Modernisierung) mit 50 % vertreten sein. Inhaltlich gesehen werden Geistes- und Sozialwissenschaften 59,6 % ausmachen, Naturwissenschaften 17,24% und eine Restkategorie mit vermischen Inhalten wie Gebrauchstexten, Satzungs- und Gesetzestexten, Werbung usw. 9,36 %. Die verbleibenden 13,79 % werden durch Zeitungstexte ausgefüllt, die sich nach Meinung der Autoren nur schwer den anderen Kategorien und ihren Unterteilungen zuordnen lassen. Die drei genannten Oberkategorien haben unterschiedliche Anzahlen von Unterkategorien. Text aus Lehrbüchern im Umfang von 2 Mio. Schriftzeichen wurde ebenfalls aufgenommen und in die genannten Kategorien eingeordnet. Weiterhin enthält das Korpus mündliche Texte, die sich zur Transkription in schriftliche Form eignen, wie Theaterstücke, Sketche, Tonbandaufzeichnungen usw. Es wurden insgesamt nur Texte gewählt, die für Menschen mit mittlerer Bildung verständlich sind. Jede Textstichprobe hat einen Umfang von 2.000

107

G 500 Schriftzeichen. Die gewählten Textstichproben machen jeweils rund 5 % des betreffenden Textumfangs aus. Die Stichproben wurden mit OCR-Technologie erfasst und erkannt und anschließend dreimal von Hand korrigiert, so dass die Fehlerquote auf unter 0,002 Promille geschätzt wird. Jede Stichprobendatei wurde mit ausführlichen Deskriptoren und Indexmerkmalen versehen, um spätere Suchen unter verschiedensten Fragestellungen zu ermöglichen. Ein sogenannter Kernkorpus mit einem Umfang von 20 Mio. Schriftzeichen-Tokens Umfang wurde Ende 1995 vorab fertiggestellt. Es enthält schwerpunktmäßig Textstichproben ab 1977 und ist unter Windows mit Werkzeugen für die Suche nach Beispielsätzen und zur Erstellung von KWIC-Konkordanzen nutzbar. Die Zusammenstellung des Gesamtkorpus war Ende 2001 abgeschlossen. Es ist vorgesehen, dass das Korpus jährlich um 5 % erweitert wird. Bei der Wortsegmentierung und Wortartannotierung unter Bezug auf den Wortsegmentierungsstandard GB/T 13715-92, die bisher nur für das Kernkorpus abgeschlossen sind, zeigten sich wiederum die Mängel dieses Standards. Die Forschungen zur Perfektionierung von Standards und Strategien in diesen beiden eng miteinander zusammenhängenden Problemfeldern dauern noch an (vgl. Liu 1996, 3K8). 5.3. Die Allgemeine Wörtermenge für die Tastatureingabe chinesischer Schriftzeichen und die Norm der Schriftzeichenkomponenten 1995 wurde der empfohlene Standard Hanzi jianpan shuru yong tongyong ciyuji / General word set for Chinese character keyboard input (1995) mit der Nr. GB/T 15732 beschlossen. Dieser Standard soll die Eingabe von ganzen Wörtern in Softwaresysteme erleichtern und umfasst daher 43.540 gebräuchliche Wörter, darunter Komposita, und Wendungen von denen der längste Ausdruck 12 Schriftzeichen lang ist. Jedoch sind die meisten Wörter zweisilbig, gefolgt von dreiund viersilbigen. Die Wörter, unter denen auch Eigennamen von Persönlichkeiten der Zeitgeschichte, geographische Namen sowie die Bezeichnungen zeitgeschichtlicher Ereignisse und wichtiger Einrichtungen zu finden sind, sind in drei Häufigkeits- bzw. Gebräuchlichkeitsebenen gegliedert: 12.355 häufigste, 17.930 häufige und 13.255 weniger häufige Wörter. Auf diesen Standard soll sich die Konstruktion von Eingabelexika

108 für Software, die die Eingabe chinesischer Schriftzeichen in Anwendungsprogramme ermöglicht, beziehen. Leider ist im Standard selbst nicht dokumentiert, wie die Auswahl und Einteilung der Wörter und Wendungen zustande kam. Da das Xiandai Hanyu changyongci cipin cidian (vgl. Abschnitt 4.4.) das umfassendste bisher erschienene Frequenzwörterbuch ist, liegt die Vermutung nahe, dass es die Datengrundlage für diese Liste war. 1997 wurde eine staatliche Norm beschlossen, die zur Zerlegung der im Unicode-Zeichensatz erfassten chinesischen Schriftzeichen in ihre Komponenten, chin. bujian, formuliert worden war: Xinxi jiaohuan yong GB 13000.1 zifuji Hanzi bujian guifan GF 3001-1997 (1997). Sie soll die Entwicklung von Eingabemethoden anhand graphischer Merkmale unterstützen bzw. der graphischen Beschreibung von nicht im betreffenden Zeichensatz enthaltenen Schriftzeichen dienen. Sie weist insgesamt 578 unterschiedliche Komponenten auf und beruht auf einer sehr weit gehenden graphischen Analyse, die sich nicht an philologischen oder didaktischen Erkenntnissen und Zielen orientierte. Es ist daher fraglich, ob dieser an Bedürfnissen der Datenverarbeitung ausgerichtete Komponentensatz als Grundlage zur Erforschung linguistischer Fragestellungen herangezogen werden sollte. 5.4. Allgemeine Trends in den 1990er Jahren Die technische Weiterentwicklung der Computertechnologie und von Benutzersoftware sowie die Preisentwicklung von beidem auch in China hat dazu beigetragen, dass seit etwa Mitte der 1980er, spätestens aber seit Beginn der 1990er Jahre korpusbasierte Forschungen dort einen derartigen Aufschwung erlebten, dass ein Überblick heute nur schwer zu gewinnen ist. Eine Zusammenfassung findet man bei Wang (1999, 18K20), Yu/Duan/Zhu u. a. (2001, 101 ff.) fassen Chinesisch-spezifische Erfahrungen zusammen. In den letzten zehn Jahren sind viele Volltextdatenbanken, große bis sehr große Textkorpora, segmentierte und annotierte Korpora, Baumbanken und Terminologiedatenbanken konstruiert (für eine Zusammenstellung s. Feng (2002, 133 ff.)) und zum Teil der Öffentlichkeit verfügbar gemacht worden. Veröffentlichungen aus diesem Zeitraum befassen sich vor allem mit Konstruktionsmethoden und -problemen solcher Korpora

I. Allgemeines / General

und Datenbanken, Geschichte, Zielen und Methoden der Korpuslinguistik, der Bedeutung und dem Einsatz für den Fremdsprachenunterricht, v. a. den Englischunterricht, und ähnlichen Aspekten. Veröffentlichungen zu primär quantitativ-linguistischen Fragestellungen sind selten. Es ist eher der Fall, dass derartige Fragen im Zusammenhang mit einer konkreten Anwendungsentwicklung gestellt und bearbeitet werden. Die Veröffentlichung von Ergebnissen geschieht dann oft in Form von technical reports oder im Rahmen themenspezifischer Tagungen. Spätestens seit Ende der 1980er sind Wissenschaftler aus der VR China regelmäßig auch auf großen internationalen Tagungen vertreten und präsentieren dort ihre Arbeit, die dann in mehr oder weniger weit zirkulierenden Tagungsbänden erscheint. Die Arbeiten, die an verschiedenen Universitäten geleistet wurden, zeugen davon, dass bestimmte Aspekte der digitalen Sprachverarbeitung auch in der Lehre vorkommen, vermutlich hauptsächlich auf der Ebene des Aspirantenstudiums, was etwa einem MAAufbaustudium entspricht, und beschränkt auf entsprechende Fächer. Abgesehen von den oben vorgestellten Arbeiten zu Schriftzeichen- und Worthäufigkeiten des modernen Chinesisch ist bislang nicht festzustellen, dass quantitative Aspekte in die herkömmliche philologische und linguistische Lehre und entsprechende Lehrbücher eingingen. Eine Ausnahme stellt die Monographie Shuli yuyanxue [Mathematische Linguistik] des Computerlinguisten Feng Zhiwei dar, die 1985 in einer Auflage von 10.000 Exemplaren erschien und nicht mehr erhältlich ist. Einige quantitative Aspekte werden in dem 2002 erschienenen Werk Yuliaoku yuyanxue [Korpuslinguistik] (Huang/Li 2002) von Huang Changning und Li Juanzi behandelt. Einrichtungen in der VR China, die sich bei der Entwicklung von Korpora und der Bearbeitung damit zusammenhängender Fragen vor allem hervorgetan haben, sind das Institute of Computational Linguistics der Peking University, die Beijing Language and Culture University, die Qinghua University, die Shanxi University in Taiyuan, Provinz Shanxi, und die Chinese Academy of Social Sciences. Sie alle sind unter diesen Namen im Internet zu finden, bei einigen sind jedoch die englischsprachigen Seiten z. Zt. noch nicht vollständig. Zeitschriften aus dem chinesischen Raum, in denen Veröffentlichungen zu quantitativ-linguistischen

6. Zur Geschichte quantitativ-linguistischer Forschungen in China

und verwandten Themen zu finden und auch weiterhin zu erwarten sind, sind vor allem Yuyan wenzi yingyong / Applied linguistics, das Organ des Forschungsinstituts für Angewandte Linguistik in Beijing, und Zhongwen xinxixue bao [Zeitung der chinesischsprachigen Informationswissenschaft] sowie einige mit Fremdsprachendidaktik befasste Zeitschriften. Gelegentlich erscheinen relevante Artikel auch in den Journalen der einzelnen Universitäten, diese sind außerhalb ihres Zirkulationsgebiets aber nur sehr schwer zugänglich. Vom Ausland aus leichter zu erreichen sind dagegen Veröffentlichungen aus Singapur und Taiwan, in denen auch Wissenschaftler aus der VR China publizieren, nämlich das Journal of Chinese language and computing aus Singapur, gegründet 1991, und das (International journal of) Computational linguistics and Chinese language processing aus Taiwan, gegründet 1996. Zumindest die englischen Abstracts von in diesen Organen erschienenen Artikeln sind über das Internet zugänglich. Buchveröffentlichungen dürften in der VR China vor allem durch den Verlag Yuwen chubanshe in Beijing erfolgen, aber auch durch andere renommierte Verlage wie Shangwu yinshuguan, engl. Commercial Press, Beijing, die Verlage der Peking-Universität, der Qinghua-Universität usw. Der seit etwa zehn Jahren relativ problemlos mögliche Kontakt und Austausch von Bürgern der VR China mit Wissenschaftlern und Einrichtungen in aller Welt erlaubt die rege Teilnahme an Tagungen und Veröffentlichungen in ausländischen Publikationen. Die Zusammenarbeit mit Forschungseinrichtungen in Hongkong und Singapur ist ebenfalls sehr intensiv. Kontakte über die Taiwan-Straße sind wegen der ungelösten Wiedervereinigungsfrage, oder aus taiwanischer Sicht: der Selbständigkeitsfrage, sehr von der politischen Lage abhängig und daher verletzlicher als Verbindungen nach Hongkong oder Singapur.

6.

Forschungen in der VR China im begonnenen 21. Jahrhundert

Wiewohl die Regierung der VR China dabei ist, die Wirtschaft des Landes in eine, wie sie es nennt, sozialistische Marktwirtschaft mit chinesischen Charakteristika umzubauen, gibt es nach wie vor den Fünfjahresplan. Dieser ist nicht mehr als umfassendes und

109

bis ins Detail gehendes Planungsinstrument zu sehen, sondern als Plan zur Förderung bestimmter Projekte und Anliegen, die staatlicherseits für wichtig erachtet werden. Der zehnte Fünfjahresplan, der die Jahre 2001 bis 2005 betrifft, enthält für die angewandte linguistische Forschung 69 Projekte in neun Teilgebieten, die sich weiter in Teilprojekte gliedern. Im Vordergrund stehen Grundlagenforschung und anwendungsbezogene Forschung. Aus quantitativ-linguistischer Sicht sind nur einige Punkte hervorzuheben. Im Bereich der Forschungen zur chin. Standardsprache putonghua ist die Bestimmung des allgemein gebräuchlichen Wortschatzes und seine Teilung in Häufigkeits- bzw. Gebräuchlichkeitsebenen projektiert. Während in diesem Zusammenhang auch die Erarbeitung von Prinzipien für den Umgang mit Abkürzungen, Fremdwörtern und Wörtern, die lateinische Buchstaben enthalten, z. B. X-光 [æks kuang] für dt. Röntgenstrahlen, vorgesehen ist, bleibt die Frage nach dem Umgang mit Neologismen unerwähnt. Der sechste Teilbereich Linguistische Datenverarbeitung sieht mehrere Projekte vor, die aus korpus- und quantitativ-linguistischer Sicht relevant sind. Das erste genannte Projekt betrifft die Entwicklung eines Standards zur Konstruktion von Korpora und nennt als Teilprobleme die Formulierung von Standards für die Markierungssprache, für die Auswahl von Textmaterial sowie für die Wortsegmentierung und Korpusbeschreibung. Das zweite Projekt beschäftigt sich ebenfalls mit der Konstruktion und Bearbeitung von Korpora und resultierenden Datenbanken. Ein genanntes Teilprojekt davon sieht die Segmentierung und Annotierung des in Abschnitt 5.2.2. vorgestellten Korpus von 70 Mio. SchriftzeichenTokens Umfang vor. Ein weiteres Teilprojekt wird sich mit der Konstruktion einer syntaktischen Baumbank und der semantischen Annotierung eines Korpus von 10 Mio. Schriftzeichen-Tokens Umfang befassen. Weiterhin soll der in den 1990ern entwickelte Wortsegmentierungsstandard (vgl. Abschnitt 5.1.) überarbeitet werden. Neue Statistiken der Schriftzeichen- und Worthäufigkeit sind ebenfalls vorgesehen, daneben aber auch die Erarbeitung von Standards für Markierung, syntaktische und semantische Annotierung, Lexikonkonstruktion und die Bewertung von LDV-Softwaresystemen, und nicht zuletzt Forschungen zu Fragen des Urheberrechts an Korpora und LDV-Software.

110

I. Allgemeines / General

Diese Projekte werden hauptsächlich durch Universitäten und Forschungsinstitute realisiert. Forschungsergebnisse aus den Forschungs- und Entwicklungsabteilungen von Softwareunternehmen K hier seien Universitätsabteilungen, die Software entwickeln und anschließend kommerziell vertreiben, eingeschlossen K, finden ihren Weg in die Öffentlichkeit entweder nur als Produkt, in Form von technical reports oder als Tagungsbeiträge, seltener als Zeitschriftenartikel. Da chinesische Tagungsbände hierzulande nicht leicht zugänglich sind, werden diese Ergebnisse im nicht chinesischen Ausland kaum wahrgenommen. Die Beitragssammlungen von relevanten internationalen Tagungen, die auf Englisch im westlichen Ausland herausgegeben werden, sind dagegen problemlos zugänglich. Einen weiteren Fortschritt stellt die Zeitschrift ACM Transactions on Asian Language Information Processing dar, die seit März 2002 erscheint und Forschungsergebnisse zu Chinesisch und anderen asiatischen Sprachen veröffentlicht. Die Autorenschaft ist international und in unterschiedlichen asiatischen und internationalen Einrichtungen wie Forschungsinstituten und Firmen beschäftigt.

7.

Ein Korpus aus Taiwan: Das Sinica Corpus

Da die Forschungen auf Taiwan nicht Schwerpunkt dieses Überblicks sind, erfolgt hier keine Zusammenfassung der dort erfolgten Arbeiten und dabei erlangten Ergebnisse. Jedoch ist durchaus erwähnenswert, dass an der Academia Sinica in Taibei ein Korpus des modernen Chinesisch entwickelt worden ist, das Academia Sinica Balanced Corpus, kurz auch Sinica Corpus. Es umfasst ungefähr 5 Mio. Wörter. Alle Sätze sind in Wörter segmentiert und die Wörter mit Wortartannotationen versehen. Bei der Zusammenstellung des Korpus wurde darauf geachtet, dass verschiedene Themen und Textsorten in ausgewogener Weise vertreten sind. Die Urheber halten es daher für eine repräsentative Stichprobe des modernen Chinesisch. Es ist in seiner dritten Version seit November 1996 auch durch Externe nutzbar. Vor der Nutzung, die im Übrigen gebührenpflichtig ist, ist mit der taiwanischen Association of Computational Linguistics and Chinese Language Processing

ROCLING eine Lizenzvereinbarung zu schließen (URL: „http://rocling.iis.sinica.edu. tw/ROCLING/corpus98/sinicor.html“). Diese Vereinigung gibt das (International journal of) Computational linguistics and Chinese language processing heraus. Eine Fortsetzung dieses Projekts ist die Entwicklung der Sinica Treebank, deren Textmaterial dem Sinica Corpus entnommen ist. Bis November 2000 wurde die erste Version, die über 38.000 Strukturbäume mit mehr als 239.000 Wörtern umfasst, vollendet. Chen/Luo/Chang u. a. (2003, 232K243) beschreiben detailliert das Design und die Implementierung dieser Baumbank, für deren Benutzung ebenfalls eine Lizenzvereinbarung zu schließen ist. (URL: „http: //rocling.iis.sinica.edu.tw/ROCLING/ Treebank/Treebank.htm“)

8.

Korpuslinguistische Forschungen in Hongkong und Singapur

In Hongkong begannen quantitativ- und korpus-linguistische Forschungen etwas später als in der VR und auf Taiwan, jedoch konnten die Forscher dies auch zu ihrem Vorteil nutzen und von andernorts gemachten Erfahrungen profitieren. Darüber hinaus prägte auch ihre Situation im mehrsprachigen Hongkong K einst britische Kronkolonie, seit 1. 7. 1997 Sonderverwaltungszone der VR China K ihre Arbeit. In Hongkong betreibt die Chinese Language Society of Hong Kong Ltd eine Website mit dem Namen Huayu (URL: „http: //www.huayu.org“). Sie gibt die Zeitschrift Yuwen jianshe tongxun [Sprachplanungsnachrichten] heraus, die seit 1981 erscheint. 8.1. Das China-Hongkong-Taiwan Korpus An der Hongkong Polytechnic University wurde 1997 ein Korpus vollendet, das Sprachmaterial aus der VR China, Taiwan und Hongkong selbst enthält, das ZhongGang-Tai Hanyu yuliaoku (vgl. Hu/Li/Tang 1997, 50K52). Die Texte des Korpus stammen aus insgesamt zehn verbreiteten und populären Tageszeitungen, die in den drei Regionen erscheinen, und zwar aus Ausgaben der Jahre 1990 bis 1992. Das Korpus enthielt schließlich 5.139.920 SchriftzeichenTokens bzw. 3.273.760 Textwörter. Die Wörter rekrutierten sich aus einem Bestand von 60.811 chinesischen und 6.373 englischen Wörtern. Am Gesamtumfang des Korpus

6. Zur Geschichte quantitativ-linguistischer Forschungen in China

waren die drei Regionen im Verhältnis von 34:33:33 vertreten. Dieses Korpus ermöglicht z. B. Untersuchungen zum gemeinsamen Wortschatz zu Beginn der 1990er Jahre in den drei Regionen, die durch unterschiedliche Gesellschaftssysteme geprägt sind (vgl. Tang 2002, 2 ff.). Die Texte des Korpus wurden jeweils einem von neun thematischen Bereichen zugeordnet. Bei der Wortsegmentierung wurden als erstes syntaktische und semantische Kriterien angelegt, nämlich ob ein kleinstmöglicher Ausdruck frei verwendbar ist und ob seine Bedeutungsintegrität bei weiter gehender Zerlegung verletzt würde. Als drittes wurde ein Längenkriterium angelegt, das keine Wörter zuließ, die länger als vier Schriftzeichen sind, und als viertes ein Häufigkeitskriterium, letzteres vor allem bei Wortkandidaten, die in Wörterbüchern nicht nachzuweisen waren, im Korpus jedoch eine gewisse Häufigkeit hatten. Die Ergebnisse der Wortsegmentierung flossen in zwei getrennte Datenbanken, nämlich eine Wörterdatenbank und eine Quasi-Wörterdatenbank. Letztere enthielt die im Korpus gefundenen Eigennamen, Zahlenketten, Phraseologismen mit einer Länge größer vier, besondere Abkürzungen, Zitate aus klassischen Werken und Gedichten und Quasi-Phraseologismen. 8.2. Das LIVAC-Korpus Im Jahre 1994 initiierte Prof. Benjamin T’sou von der Hongkong City University die Konstruktion eines weiteren sehr großen Korpus, das den Namen LIVAC trägt. Dieses Akronym steht für Linguistic Variation in Chinese Speech Communities. Für dieses Korpus sollten insgesamt innerhalb von 48 Monaten repräsentative Zeitungen aus Hongkong, Taiwan, der VR China, nämlich Beijing u. Shanghai, aus Macau und Singapur ausgewertet werden. Und zwar sollten alle vier Tage aus den gewählten Zeitungen die ganze erste Seite, die Teile Internationale Nachrichten und Lokales sowie Reportagen und Kommentare bis zu einem Umfang von bis zu 20.000 Schriftzeichen-Tokens in das Korpus eingehen. Bei Überschreiten dieser Zahl würden weniger wichtige Nachrichten weggelassen werden. Von Juli 1995 bis Juni 1996 wurden auf diese Weise 8,3 Mio. Schriftzeichen gesammelt (Hu/Li/Tang 1997, 52), und ein Jahr später waren es bereits rund 16 Mio. Schriftzeichen bzw. rund 190.000 Textwörter (vgl. LIVAC online 2003, 1) Zur Wortsegmentierung wurde der in der

111

VR China formulierte Segmentierungsstandard GB 13715-92 (vgl. Abschnitt 5.) zu Grunde gelegt, jedoch musste er ergänzt und verfeinert werden. Dieses Korpus wird immer noch erweitert und enthielt im Februar 2003 bereits mehr als 100 Mio. Schriftzeichen und 550.000 Textwörter. Online zugänglich ist zur Zeit der Datenbestand bis einschließlich Juli 1997 (URL: „http://www. rcl.cityu.edu.hk/livac/“). Für seine Nutzung werden einige Werkzeuge zur Verfügung gestellt. Einige Ergebnisse zur Neologismenforschung anhand dieses Korpus’ findet man bei Zou/You (2003, 14K21). 8.3. Das CANCORP-Korpus Spezieller als die beiden gerade vorgestellten Korpora ist das Hong Kong Cantonese child language corpus, kurz CANCORP (vgl. CANCORP. An Overview 2000), das Anfang der 1990er Jahre von der Chinese University of Hong Kong, der Hong Kong Polytechnic University und der University of Hong Kong gemeinsam erarbeitet wurde. Dieses Korpus enthält Aufzeichnungen von vier Jungen und vier Mädchen, die zu Beginn der Studie ein Jahr bis zweieinhalb Jahre alt waren und ein Jahr lang beobachtet wurden. Diese Kinder hatten das in Hongkong gesprochene Kantonesisch als Muttersprache. Ihre Äußerungen wurden sowohl in chinesische Schriftzeichen als auch in lateinische Schrift transkribiert. Das Korpus, das 171 Dateien umfasst, ist im internationalen CHAT-Format kodiert und mit 33 Wortartenmarkierungen versehen. Es ist sowohl bei der Arts Faculty der Chinese University of Hong Kong als auch beim CHILDES-Archiv, dem Child Language Data Exchange System der Carnegie Mellon University abgelegt. Einen Überblick über einige Ergebnisse ist auf dem Server der Arts-Faculty ebenfalls zu finden (URL: „http://www.arts. cuhk.edu.hk/~cancorp/“). Weitere Korpora sind durch das LDC (vgl. Abschnitt 9.) erhältlich. 8.4. Singapur Im Stadtstaat Singapur ist es vor allem das Department of Computer Science der National University of Singapore, deren Laboratory of Computational Linguistics sich unter der Leitung des Computerlinguisten Lua Kim Teng auf dem Gebiet der Computerund der quantitativen Linguistik hervortut. Prof. Lua hat u. a. zur Anwendbarkeit des Zipfschen Gesetzes auf chinesische Texte

112

I. Allgemeines / General

und praktische Konsequenzen daraus für die automatische Indexierung, zur Entropie chinesischer Schriftzeichen und Wörter sowie zur Satzlängenverteilung in chinesischen Texten publiziert. Die National University of Singapore ist außerdem Heimat der Chinese and Oriental Languages Information Processing Society COLIPS, die die Zeitschrift Journal of Chinese language and computing, früher Communication of COLIPS, herausgibt. Darüber hinaus gibt die Firma World Scientific Publishing Co., die in Singapur ihre Basis hat, das International journal of computer processing of Oriental languages heraus, das 1983 unter dem Namen Computer processing of Chinese and Oriental Languages gegründet wurde. Auch an dieser Universität wurden und werden Korpora und dazugehörige Werkzeuge entwickelt. Zu Beginn der 1990er war vom damaligen Department of Information Systems and Computer Science ein Nachrichtenkorpus erhältlich, das 7.907 Meldungen der Nachrichtenagentur Neues China enthielt, die zwischen Januar 1990 und März 1991 herausgekommen waren. Es hieß PH Corpus und hatte einen Umfang von knapp 4 Mio. druckbaren Zeichen; 3,24 Mio davon waren chinesische Schriftzeichen, die sich aus 4.725 im Basissatz (vgl. Abschnitt 4.6.1.) enthaltenen Zeichen rekrutierten (vgl. Guo/ Lui 1994, 30; 36). Dieses Korpus, das z. Zt. von der University of Edinburgh per anonymem FTP erhältlich ist (ftp.cogsci.ed.ac.uk, Verzeichnis /pub/chinese/), diente beispielsweise an der Universität Trier als Datengrundlage für die Erarbeitung einer Dissertation und einer Magisterarbeit. Zur Zeit des Schreibens stellte das Laboratory of Computational Linguistics Forschungsressourcen und -werkzeuge zur Verfügung. (URL: „http://www.comp.nus.edu.sg/~luakt/ NLP.html“)

9.

Arbeiten an der University of Pennsylvania

Außerhalb des chinesischen Raums ist die University of Pennsylvania ein Zentrum der korpusbasierten Erforschung der chinesischen Sprache. Im Zuge der Entwicklung der umfangreichen Penn Chinese Tree Bank CTB wurden dort u. a. Prinzipien zur Wortsegmentierung, Wortartannotierung und syntaktischen Markierung erarbeitet. In der ersten Projektphase wurde seit 1998 ein

Korpus von 1 Mio. Wörtern Umfang entwickelt, das Agenturmeldungen der Nachrichtenagentur Neues China aus den Jahren 1994 bis 1998 enthält. Dieses Korpus wurde segmentiert, annotiert und syntaktisch geparst. Es hat mehrere Versionen erlebt, da es sich mit der Verbesserung der Segmentierung und Annotierung verändert hat. In der zweiten Phase, deren Vollendung für das Jahr 2003 erwartet wurde, soll ein diversifiziertes Korpus von 400.000 Wörtern entstehen, das nach denselben Prinzipien bearbeitet wird und Artikel aus der Tageszeitung Renmin ribao / People’s Daily, Nachrichtenmeldungen aus Hongkong, Meldungen der Agentur Neues China sowie ins Chinesische übersetzte Texte umfassen wird (vgl. Xue/ Chiou/Palmer 2000, 1). Die University of Pennsylvania ist außerdem die Heimat des Linguistic Data Consortium LDC, das Korpora verschiedenster Sprachen und Arten bereitstellt. Gegenwärtig werden 25 chinesische Korpora angeboten, darunter auch solche gesprochener Sprache. Die Chinese Treebank Version 2.0 aus der ersten CTB-Projektphase ist hier ebenso erhältlich wie beispielsweise die Korpora für TREC-5 und TREC-6 und Korpora aus der VR China, Hongkong und Taiwan. Der LDC-Katalog gibt Auskunft über Speichermedium und Preis.

10. Schlusswort Obwohl die Fremdsprache Chinesisch in Deutschland aufgrund der vergleichsweise geringen Zahl von Teilnehmern an entsprechenden Kursen als kleine Fremdsprache gilt, ist global-demographisch gar nicht zu übersehen, dass Chinesisch diejenige Sprache ist, die von mehr Menschen als Muttersprache gesprochen wird als jede andere Sprache, und dass die chinesischsprachige Bevölkerung weiterhin wächst. Daher ist dazu zu ermutigen, sich auch in Europa gründlich mit dieser Sprache zu beschäftigen und sie in die linguistische wie auch die computer- und quantitativ-linguistische Forschung einzubeziehen. Dies gebietet nicht nur die demographische Fairness, sondern auch die Tatsache, dass China in jeder Hinsicht ein Wachstumsmarkt ist und dies auch für wissenschaftliche Unternehmungen, also Wissensgenerierung und -transfer, Bildung, Fremdsprachenvermittlung usw. sowie für computerlinguistische Softwareprodukte aller Art gilt.

6. Zur Geschichte quantitativ-linguistischer Forschungen in China

11. Literatur (in Auswahl) (a) in westlichen Sprachen: CANCORP. An Overview (2000), URL: „http: //www.arts.cuhk.edu.hk/~cancorp/introduction. html“ (08. 07. 2000). (Zugriff am 02. 07. 2003). Chen, Keh-Jiann/Luo, Chi-Ching/Chang, MingChung/Chen, Feng-Yi/Chen Chao-Jian/Huang, Chu-Ren (2003), Sinica Treebank. Design criteria, representational issues and implementation. In: Building and using parsed corpora. (Hrsg. Anne Abeillé). Dordrecht: Kluwer. URL: „http: //treebank.linguist.jussieu.fr/pdf/13.pdf“ (Zugriff am 08. 08. 2003). DeFrancis, John (1984), The Chinese language. Fact and fantasy. Honolulu: University of Hawaii Press. Guo, Jin/Lui, Ho Chung (1994), PH K A Chinese corpus for Pinyin-Hanzi transcription. In: Chinesisch und Computer 9, 23K37. Huang, Chu-Ren/Chen, Keh-Jiann/Chang, Lili/ Chen, Feng-yi (1997), Segmentation standard for Chinese natural language processing. In: International journal of computational linguistics and Chinese language processing 2 (2), 47K62. LIVAC online. The first synchronous corpus from Chinese speech communities (2003). URL: „http: //www.rcl.cityu.edu.hk/livac/“ (19. 03. 2003). (Zugriff am 02. 07. 2003) Lunde, Ken (1999), CJKV Information processing. Sebastopol, Calif.: O’Reilly. Menzel, Cornelia (2003), Von der ersten Häufigkeitszählung chinesischer Schriftzeichen zur HSKSchriftzeichenliste. Ein Überblick über Forschungen zur Häufigkeit chinesischer Schriftzeichen im 20. Jahrhundert. In: Brücke zwischen Kulturen. Festschrift für Chiao Wei zum 75. Geburtstag. (Hrsg. Karl-Heinz Pohl/Dorothea Wippermann). Münster: Lit-Verlag, 186K208. Rousseau, Ronald/Zhang, Qiaoqiao (1992), Zipf’s data on the frequency of Chinese words revisited. In: Scientometrics 24 (2), 201K220. Shen, Dayang/Sun, Maosong/Huang, Changning (1999), A statistics-based Chinese word segmentation model and its implementation approaches. (05. 11. 1999). URL: „http://cslp.comp.nus.edu.sg/ dbase/journal/JCLC/paper/publishing/shendy/s_ eambi.htm“ (Zugriff am 28.07.2003) Sproat, Richard/Shih, Chilin (2001), Corpus-based methods in Chinese morphology and phonology. URL: „http://www.research.att.com/~rws/ newindex/nodes.pdf“ (Zugriff am 05. 07. 2003). Xue, Nianwen/Chiou, Fu-Dong/Palmer, Martha (2000), Building a large-scale annotated Chinese corpus. In: Proceedings of COLING-2000. URL: „http://acl.ldc.upenn.edu/coling2000/proceedings/ data/area-04/co-376.pdf“ (Zugriff am 08. 08. 2003).

113

Zipf, George Kingsley (1932), Selected studies of the principle of relative frequency in language. Cambridge, Mass.: Harvard University Press.

(b) auf Chinesisch: Bei, Guiqin/Zhang, Xuetao (Hrsg.), Hanzi pindu tongji [Häufigkeitsstatistik der chinesischen Schriftzeichen]. Beijing: Dianzi gongye chubanshe, 1988. Chang, Baoru (1989), Xiandai Hanyu pinlü cidian de yanzhi [Die Entwicklung des Frequenzwörterbuchs der modernen chinesischen Sprache]. In: Chen Yuan 1989a, 30K59. Chen, Heqin (11928, 21936), Yutiwen yingyong zihui [Angewandter Schriftzeichenschatz umgangssprachlicher Texte]. Shanghai: Shangwu yinshuguan. Chen, Yuan (Hrsg.), Xiandai Hanyu dingliang fenxi [Quantitative Analyse der modernen chinesischen Sprache]. Shanghai: Shanghai Jiaoyu chubanshe, 1989a. Chen, Yuan (1989b), Xiandai Hanyu zhu yaosu de dingliang fenxi (xu lun) [Die quantitative Analyse der Elemente der modernen chinesischen Sprache (Vorwort)]. In: Chen Yuan 1989a, 1K29. Duan, Huiming/Matsui, Kunio/Xu, Guowei/Hu, Guoxin/Yu, Shiwen (2000), Da guimo Hanyu biaozhu yuliaoku de zhizuo yu shiyong [Konstruktion und Verwendung sehr großer linguistischer Korpora]. In: Yuyan wenzi yingyong 34, 72K77. Feng, Zhiwei (1985), Shuli yuyanxue [Mathematische Linguistik]. Shanghai: Zhishi chubanshe. Feng, Zhiwei (1989 [11984]), Hanzi de shang [Die Entropie der chinesischen Schriftzeichen]. In: Wenzi gaige 1984 (4). [Nachdruck in: Chen Yuan 1989a, 267K278.] Feng, Zhiwei (2002), Zhongguo yuliaoku yanjiu de lishi yu xianzhuang, Evolution and present situation of corpus research in China. In: Journal of Chinese language and computing 12 (2), 127K146. Fu, Yonghe (1988), Xiandai Hanyu changyongzi biao de yanzhi [Die Entwicklung der Liste häufiger Schriftzeichen der modernen chinesischen Sprache] In: Yuwen jianshe 1988 (2), 22K25. [Nachdruck in: Chen Yuan 1989a, 107K115.] Gao, Jiaying/Fan, Keyu/Fei, Jinchang (1993), Xiandai Hanzixue [Moderne Sinographemik]. [Beijing]: Gaodeng Jiaoyu chubanshe. Guo, Yefang (1989), Xinwen xinxi Hanzi liutong pindu tongji [Häufigkeitsstatistik zur Zirkulation von Schriftzeichen in Nachrichten]. In: Chen 1989a, 95K106. Guojia yuyan wenzi guifan he biaozhun xuanbian [Auswahl von staatlichen Normen und Standards für Sprache und Schrift]. (Hrsg. Guojia yu-wei biaozhunhua gongzuo weiyuanhui bangongshi). Beijing: Biaozhun chubanshe, 1997. Hanyu cihui de tongji yu fenxi [Statistik und Analyse des Wortschatzes der chinesischen Sprache].

114 (Hrsg. Beijing Yuyan Xueyuan Yuyan Jiaoxue yanjiusuo). Beijing: Waiyu Jiaoxue yu Yanjiu chubanshe, [1984]. Hanyu shuiping cihui yu Hanzi dengji dagang [Gestufter Wortschatz und Schriftzeichenliste für die standardisierte Sprachprüfung des Chinesischen HSK]. (Hrsg. Guojia duiwai Hanyu jiaoxue lingdao xiaozu bangongshi Hanyu shuiping kaoshi bu). Beijing: Beijing Yuyan Wenhua Daxue chubanshe, 1992. Hanzi jianpan shuru yong tongyong ciyuji, General word set for Chinese character keyboard input GB/T 15732. (Hrsg. Guojia jishu jianduju). Beijing: Biaozhun chubanshe, 1995. Hanzi xinxi zidian, A Dictionary of Chinese character information. (Hrsg. Shanghai Jiaotong Daxue Hanzi bianma zu, Shanghai Hanyu pinyin wenzi yanjiu zu). Beijing: Kexue chubanshe, 1988. Hu, Baihua/Li, Xingde/Tang, Zhixiang (1997), Xianggang de yuliaoku he xiangguan yanjiu gaikuang [Übersicht über Hongkongs linguistische Korpora und damit zusammenhängende Forschungen]. In: Yuyan wenzi yingyong 22, 49K54. Huang, Changning/Li, Juanzi (2002), Yuliaoku yuyanxue [Korpuslinguistik]. Beijing: Shangwu yinshuguan. Jin, Guangjin/Guo, Shulun/Xiao, Hang/Zhang, Yunfan (2003), Yuliaoku jiagong zhong de guifan wenti, Standardization in corpus processing. In: Yuyan wenzi yingyong 2003 (4), 16K24. Liu, Jian (Hrsg.), Ershi shiji de Zhongguo yuyanxue [Die chinesische Linguistik des 20. Jhs.]. Beijing: Beijing Daxue chubanshe, 1998. Liu, Lianyuan (1996), Xiandai Hanyu yuliaoku yanzhi [Entwicklung des Korpus des modernen Chinesisch]. In: Yuyan wenzi yingyong 19, 2K8. Liu, Yuan (1992), Zi-Cipin tongji yu Hanyu fenci guifan [Die Zeichen- bzw. Wortstatistik und der Wortsegmentierungsstandard des Chinesischen]. In: Yuwen jianshe 1992 (5), 35K38. Liu, Yuan/Liang, Nanyuan/Wang, Dejin/Zhang, Sheying/Yang, Tieying/Jie, Chunyu/Sun, Wei (Hrsg.), Xiandai Hanyu changyongci cipin cidian (yinxu bufen) [Frequenzwörterbuch häufiger Wörter des modernen Chinesisch (alphabetisch geordneter Teil)]. Beijing: Yuhang chubanshe, 1990. Liu, Yuan/Tan, Qiang/Shen, Xukun (1994), Xinxi chuli yong xiandai Hanyu fenci guifan ji zidong fenci fangfa [Der Standard zur Wortsegmentierung der modernen chinesischen Sprache in der Datenverarbeitung und automatische Wortsegmentierungsmethoden]. Beijing: Qinghua Daxue chubanshe. Liu, Yuan/Wang, Jinde/Zhang, Sheying (1989), Xiandai Hanyu cipin ceding ji fenxi [Messung und Analyse der Worthäufigkeit der modernen chinesischen Sprache]. In: Chen Yuan 1989a, 70K94.

I. Allgemeines / General Su, Peicheng (2001a), Xiandai Hanzixue gangyao (zengding ben) [Abriss der modernen Sinographemik (überarb. Auflage)]. Beijing: Beijing Daxue chubanshe. Su, Peicheng (Hrsg.), Xiandai Hanzixue cankao ziliao [Referenzmaterialien zur modernen Sinographemik]. Beijing: Beijing Daxue chubanshe, 2001b. Su, Peicheng (2001c), Ershi shiji de xiandai Hanzi yanjiu [Die Erforschung der modernen chinesischen Schriftzeichen im 20. Jh.]. Taiyuan: Shuhai chubanshe. Sun, Jianyi (1989), Xiandai Hanyu zipin ceding ji fenxi [Messung und Analyse von Schriftzeichenhäufigkeiten der modernen chinesischen Sprache]. In: Chen Yuan 1989a, 60K69. Sun, Maosong (1999), Tantan Hanyu fenci yuliaoku de yizhixing wenti, On the consistency of word-segmented Chinese corpus. In: Yuyan wenzi yingyong 30, 88K91. Tang, Zhixiang (2002), Jiushi niandai Hanyu cihui diyu fenbu de dingliang yanjiu [Quantitative Forschungen zur regionalen Verteilung der chinesischen Lexik in den (19)90er Jahren]. In: Website Huayuqiao der Chinese Language Society of Hong Kong Ltd (www.huayuqiao.org). URL: „http: //www.transmagix.com/huayuqiao/tangzhixiang/ tang02.htm“ (Zugriff am 02. 07. 2003). Wang, Jianxin (1999), Wo guo zai yuliaoku yuyanxue yanzhi fangmian de bufen jinzhan (gaishu) [Einige Erfolge unseres Landes in der korpuslinguistischen Forschung (Überblick)]. In: Waiyu yu waiyu jiaoxue 118, 18K20. Wei, Juxian (1979), Wenzixue [Graphemik]. Taibei: Liming wenhua shiye gongsi. Wei, Li (1989), Xinxi jiaohuan yong Hanzi bianma zifuji de yanzhi [Die Konstruktion der Zeichenmengen des Codes zum Informationsaustausch mit chinesischen Schriftzeichen]. In: Chen Yuan 1989a, 187K195. Wen, Xiaolin (2001), Zhongwen wenben qiyi ziduan qifen jishu [Techniken zur Segmentation von ambigen Strings in chinesischen Texten]. In: Yuwen yanjiu 80, 36K40. Xiandai Hanyu changyongzi biao [Liste häufiger Schriftzeichen der modernen chinesischen Sprache]. (Hrsg. Guojia yuyan wenzi gongzuo weiyuanhui Hanzi chu). Beijing: Yuwen chubanshe, 1988. Xiandai Hanyu pinlü cidian [Frequenzwörterbuch der modernen chinesischen Sprache]. (Hrsg. Beijing Yuyan Xueyuan Yuyan Jiaoxue yanjiusuo). Beijing: Beijing Yuyan Xueyuan chubanshe, 1986. Xiandai Hanyu tongyongzi biao [Liste allgemein gebräuchlicher Schriftzeichen der modernen chinesischen Sprache]. (Hrsg. Guojia yuyan wenzi gongzuo weiyuanhui Hanzi chu). Beijing: Yuwen chubanshe, 1989.

7. Quantitative linguistics in Poland Xiandai Hanyu zipin tongji biao [Schriftzeichenfrequenztabellen der modernen chinesischen Sprache]. (Hrsg. Guojia yuyan wenzi gongzuo weiyuanhui; Guojia biaozhunju). Beijing: Yuwen chubanshe, 1992. Xinxi chuli yong xiandai Hanyu fenci guifan [Standard zur Wortsegmentierung der modernen chinesischen Sprache in der Datenverarbeitung] GB/T 13715-92. (Hrsg. Guojia jishu jianduju). Beijing: Biaozhun chubanshe, 1993. Xinxi jiaohuan yong GB 13000.1 zifuji Hanzi bujian guifan [Norm der Schriftzeichenkomponenten des (dem Unicode entsprechenden) Zeichensatzes GB 13000.1 für den Informationsaustausch] GF 3001-1997. (Hrsg. Guojia yuyan wenzi gongzuo weiyuanhui). Beijing: Biaozhun chubanshe, 1997. Yu, Shiwen/Duan, Huiming/Zhu, Xuefeng/Tanaka, Yasuhito (2001), Da guimo biaozhu Hanyu yuliaoku kaifa de jiben jingyan, Some experience in the development of the large scale tagged Chinese corpus. In: Journal of Chinese language and computing 11 (2), 101K110. Yu, Shiwen/Zhu, Xuefeng/Wang, Hui/Zhang, Yunyun (1998), Xiandai Hanyu yufa xinxi cidian xiangjie [Detaillierte Erläuterung zum Wörterbuch syntaktischer Informationen der modernen chinesischen Sprache]. Beijing: Qinghua Daxue chubanshe.

115 Yuyan wenzi yingyong yanjiu ‘shi-wu’ zizhu xiangmu [Zu fördernde Projekte des 10. Fünfjahresplans im Bereich der angewandt-linguistischen Forschung] (20. 05. 2003). URL: „http://www.moe. edu.cn/language/yykeyuan/03.htm“. (Hrsg. Ministry of Education P.R.C.). (Zugriff am 04. 07. 2003). Zhongyang yanjiuyuan pingheng yuliaoku de neirong yu shuoming [Inhalt und Erläuterung des balancierten Korpus der Academia Sinica]. 9502 jishu baogao [Technical report 9502]. (Hrsg. Academia Sinica). Taibei, [1995]. URL: „http: //godel.iis.sinica.edu.tw/CKIP/sinicacorpus.doc“ (Zugriff am 05. 07. 2003) Zhou, Youguang (1980), Xiandai Hanzixue fafan [Einführung der modernen chinesischen Schriftzeichenwissenschaft]. In: Yuwen xiandaihua 1980 (2), 94K103. [Nachdruck in: Su Peicheng 2001b, 24K33.] Zhou, Youguang (1992), Zhongguo yuwen zongheng tan [Die Sprachen und Schriften Chinas kreuz und quer besprochen]. [Beijing]: Renmin jiaoyu chubanshe. Zou, Jiayan/You, Rujie (2003), Dangdai Hanyu xin ci de duoyuanhua quxiang he diqu jingzheng [Zur Pluralisierungstendenz und regionalen Konkurrenz neuer Wörter in der chinesischen Gegenwartssprache]. In: Yuyan jiaoxue yu yanjiu 2003 (3), 12K21.

Cornelia Schindelin, Bonn (Deutschland)

7. Quantitative linguistics in Poland 1. 2. 3. 4. 5.

10.

Introduction Phonetics and phonology Inflection Word formation Stylometry, lexicometry, authorship and lexical studies Corpus studies Statistical laws of language Psycholinguistics Quantitative methods in diachronic and historic linguistics Literature (a selection)

1.

Introduction

6. 7. 8. 9.

The beginning of quantitative linguistics in Poland dates back to the 1950s and is related to the expansion of structuralism. The first, pioneer phase of QL development is connected with the conversion of some longstanding problems of linguistics and the theory of literature into the language of mathematics. During this period, mainly ow-

ing to the work of J. Woronczak, Polish studies did not diverge very much from world standards and now they form the basis of modern QL in Poland. Further quantitative research into language structure along the lines originally proposed by J. Sambor and subsequently by J. Sambor and R. Hammerl helped to extend and corroborate our knowledge of statistical language laws. A significant contribution to the scope of Polish QL was also made by the studies on phonology and phonetics, carried out by W. Jassem and his associates. However, the many years of separation of Central European countries from the leading research centres, a low level of IT, and the lack of structural reform of outdated academic structures contributed to the fact that some QL fields were not adequately researched in Poland. This refers, for instance, to automatic translation, the applications of multidimensional analysis and corpus linguistics.

116

I. Allgemeines / General

The following presentation of the achievements of Polish QL is arranged into fields of study. We are well aware that many works worth discussing are absent here due to the limited size of this presentation. Their reference bibliography can be found in the available literature (cf. Köhler 1995; the Internet bibliography of Polish QL http:// www.lingwistyka.uni.wroc.pl).

2.

Phonetics and phonology

The first quantitative data on Polish phonemes and phones frequency were given in 1957 by M. Steffen (Steffen-Batóg 1997). Her studies of a sample of 5.000 phones confirmed the principle of optimum coding of speech sounds: the most frequent were the vowel phonemes /a/, /e/, /o/, equivalent to phonemes of simplest pronunciation, while the least frequent were the /dz/, /d@/, and /d>/ phonemes, whose phone equivalents are the most difficult to pronounce. This study has had numerous applications in audiometry and in quality control of telecommunication systems. A detailed description of the Polish phonological system was provided by B. Rocławski (1981). He used the instruments of statistics and information theory to study a corpus of 364.000 phonemes coming from four registers, including the colloquial conversational speech. Apart from empirical data, the work additionally includes a valuable outline of the history of statistical research of Polish phonology (phonetics) (Rocławski 1981, 12K21). A comprehensive research in the fields of acoustic phonetics and phonology was car-

ried out by W. Jassem and his associates. Using two coding systems K one based on distinctive features, the other on phonemes relative occurrence frequency (pi probability) K Jassem constructed branching diagrams to show the binary coding of the Polish phonetic system (Fig. 7.1 and 7.2). The values of pi were calculated on the basis of a 100.000phoneme long sample, gradually branched into subsets of frequencies of occurrence close to a ½ : ½ ratio (Jassem 1966, 104). It appeared that Hs entropy, calculated with phoneme frequency of occurrence (pi), is 4.73 bits per phoneme and is thus lower than the Hd entropy, calculated against the number of distinctive features Nk, which is 5.05 bits per phoneme: iZ37

Hs Z K ∑ pi log pi Z 4.73

(1)

iZ1 k

Hd Z K ∑ pk Nk Z 5.05

(2)

iZ1

The result has confirmed the rule that the most effective are uneven code systems (Jassem 1966, 100K107). The border areas of phonetics, phonology and psychology are the field of numerous studies by P. Łobacz. The author investigated the perception of speech, testing the psychological measures of similarity between consonants. The results obtained allowed her to establish a taxonomy of Polish consonants. One of her most recent works (Łobacz 1995) includes a digest of her yearslong research of the subject. The proposed taxonomy of consonants is based on multidimensional scaling. The best results were obtained with a 4-D analysis, accounting for 4

Fig. 7.1: Branching diagram for the Optimal Code of the Polish phonemes based on their relative occurrence frequencies (probabilities)

117

7. Quantitative linguistics in Poland

Fig. 7.2: Branching diagram for the Distinctive Feature Code of the Polish phonemes

Fig. 7.3: Prediction of phonemes in the sentence: Ludzie całego domu wylewali tu swoje brudy do rynsztoka płynącego wyżej niż okno. [Inhabitants of the entire house discharged their wastewater to a sewer running higher than the window.]

distinctive binary features: sibilance, palatalisation, voicing, and continuity. Łobacz and Jassem conducted an experiment, consisting in predicting subsequent language units (letters, phones, words) in a stream of speech, which allowed quantitative description of text structure in the light of theory of information (Łobacz 1973; Jassem 1974). On the basis of the number of questions asked by respondents while trying to predict the subsequent text units, the entropy (and redundancy) of the text in individual sentence positions was calculated. The highest entropy was confirmed to occur in the initial positions (initial phones of a word, initial words of a sentence, etc.), while it gradually diminished (i. e. redundancy grew) towards the end of a unit (Fig. 7.3). Statistical methods were also applied in research on second language acquisition

(L2). Two respondent groups were given tests to verify their ability to recognise the position of the main stress in L2 while listening to a recording (Steffen-Batóg 1997). It appeared that the respondents who knew L2 were better at recognising the position of main stress in the text than those who did not know the language. A comparison of the results for German texts, carried out by means of the Fisher test, showed that the variance obtained with the former respondent group was significantly lower than that obtained with the latter group. A. Pawłowski carried out numerous analyses of text prosody and rhythmicity (Pawłowski 1997). Prosody of a text is a sequential phenomenon and its efficient analysis requires specific instruments (e. g. Markov modelling, time series analysis). To arrive at a quantitative description of the rhythmic

118

I. Allgemeines / General

structure of a text, the ARIMA linear models of discrete time series were applied. A study of a few stylistic variations of Polish (e. g. syllabotonic verse, literary prose, oratory discourse) yielded linear models of time series (AR and MA, simple and seasonal), characteristic of language styles and/or metric patterns (cf. ref. to the contribution No. 51).

3.

most numerous noun groups as patterns (Tab. 7.1). A system of unambiguous coding of Polish noun inflections (POLEX) was elaborated by the team of Z. Vetulani (Vetulani/ Walczak/Obrębski et al. 1998a; 1998b). POLEX is rooted in a large corpus and was used for the development of a machinereadable morphological dictionary of Polish. The dictionary, now of 110.000 entries in uniform format, has reference to traditional morphological taxonomies of Polish inflectional vocabulary, but differs from them in offering a univocal classification (379 inflectional and morphological categories). The POLEX system allows for automated lemmatisation, tagging and searching for concordances for syntactic patterns. The work includes a comprehensive description of Polish noun inflection that allows IT applications and offers quantitative data so far not available for Polish K e. g. a distribution of inflectional endings.

Inflection

The highly complicated nature of Polish inflection is due to a large range of co-functional suffixes and alternations. Recent years saw the elaboration of a comprehensive qualitative description of Polish declension and conjugation, covering several hundreds of paradigmatic patterns (These were mostly works of W. Gruszczyński, J.S. Bień and Z. Saloni.). The by-product was statistics on systemic frequency of various grammatical categories. Furthermore, a qualitative analysis of the entry network in Słownik Języka Polskiego [Dictionary of Polish Language] was performed (Saloni 1988). A draft of the synthetic description of the inflection of Polish common nouns is included in the work of W. Gruszczyński (1987). Within the set of 60.000 nouns taken from Doroszewski’s Dictionary of the Polish Language, Gruszczyński determined 419 inflectional paradigms, making inflections of

4.

Word formation

Relationships between frequencies of derivatives and frequencies of their formation bases in texts were studied by A. Nagórko (1984). On a sample of 1.000 word pairs, composed of a noun and its derivative, two hypotheses were tested:

Table 7.1: Examples of patterns and variants of common noun inflection in the contemporary written Polish language, based on Doroszewski’s Dictionary of Polish Language. Inflection patterns and their variants

No. of entries following the pattern

Examples of entries

(1)

(2)

(3)

Description of inflection of individual entries, incl. in DPLDor (4)

A1. A1.* A1ó A1ą A# 1 A#1, & A#1ó, & A$1 A$1 B1 B1*

1914 1224 5 1 1315 62 1 564 340 1001 6564

STORCZYK STOŻEK JEDNORÓG PAŁĄG HISTOLOG SZEJK WRÓG STRZYŻYK SŁODYSZEK SROKA MATKA

mIII mIII, D. ~żka mIII, D. ~roga mIII, D. pałęga mIII mIII, lm M. ~owie mIII, D. l wroga, lm M. ~owie mIII mIII, D. ~szka żIII żIII, D. ~matek

Note: Column 1: Inflection patterns and their variants markings indicate the following characteristics of a pattern or variant: A K masculine-inanimate noun; A# K masculine-human noun; A$ K masculineanimate noun; B K various feminine patterns; 1 K stems ending with a velar consonant; * K stems including a mobile e; ó K exchange o K ó; ą K exchange ą K ę; & K -owie ending in masculine gender inflection etc.

119

7. Quantitative linguistics in Poland

(1) Positive and negative differences in the frequency of occurrence between a derivative and its formation base have normal distribution; (2) There is a strong asymmetry in these differences: frequencies of formation bases are significantly higher than derivative frequencies.

C V, etc.), a high percentage of multi-stem compounds was found in the RV of Polish journalism (Tab. 7.2). In fact, 94 % of proper (multi-stem) compounds belong to the RV class, while 88 % belong to the class of very rare vocabulary (1 % f % 2). The study of compounds also involved Filmore’s concept of semantic roles. Polish nominal compounds were accordingly regarded as of predicate-argument structures (Sambor 1976). However, this analysis was subordinate to the division of compounds into formal classes of N C N and N C V types. The N C N type prevails in the scientific and journalistic style, while the N C V type is equally distributed across various styles thus proving its independence from the style used. At the same time, as many as 78 % of N C N compounds included at least one foreign element (Tab. 7.3).

Kendall-Stuart asymmetry test corroborated the latter hypothesis. In a corpus of journalistic texts (Kurcz/ Lewicki/Sambor et al. 1990), J. Sambor investigated the occurrence frequencies of abstract derivatives K nomina actionis (NA) and nomina essendi (NE) (Sambor 1975). It was found that most of them fall into the category of rare vocabulary (RV) (1 % f %8). Among NE there was a noticeably large percentage of derivatives including the -ość formative (88 %). Among NA, far more frequent in journalistic texts, the four most frequent types of formatives in RV class were -anie, -enie, -cie (71 %) and -acja (80 %) (Sambor 1975, 47; 64). Similar findings were made while studying occurrence frequencies of derivatives including roz- and nie- prefixes, a large majority of which belonged to RV class (90 % and 94 %, respectively) (Sambor 1975, 30). The study also covered proportions of nominal and adjectival compounds in journalistic texts. While comparing occurrence frequencies of various compound types (N C N, N C V, Num

5.

Stylometry, lexicometry, authorship and lexical studies

The early origins of stylometry are connected with the name of W. Lutosławski, Polish Hellenist and philosopher. Although statistical methodology he applied in 1897 could be found unsatisfactory according to the recent standards, Lutosławski seems to be the true founder of modern stylometry. His monumental study The Origin and

Table 7.2: Percentages of compounds in individual classes

9 31

40 (7 %)

7 23

30 (6 %)

2 8

10 (12 %)

6 ≥ f ≥ 8 3 ≥ f ≥ 5 1 ≥ f ≥ 2

28 63 441

532 (93 %)

22 48 390

460 (94 %)

4 14 55

73 (88 %)

Total

572

490

123

123

100 %

Indirect compounds (monostem) 123

f ≥ 50 9 ≥ f ≥ 49

123

Proper compounds (multi-stem) 123

Multi-stem vocabulary total 123

Frequency class

100 %

38

100 %

Table 7.3: Nominal compounds in the styles studied Compound type

Style A

B

C

D

E

Σ

%

NCN NCV

31 33

66 35

119 38

26 36

16 21

258 163

61,28 38,72

Total

64

101

157

62

37

421

100,00

Note: A K journalism, B K small press items, C K popular scientific texts, D K literary prose, E K drama

120

I. Allgemeines / General

Growth of Plato’s Logic is also an ancestor of quantitative text chronology. He claims that “If an exact definition be possible of the notes which distinguish Plato’s style from the style of other writers, or by which a work written contemporaneously with the Laws differs from a work written at the time when Plato founded the Academy, then we may hope to ascertain the true order of Platonic dialogues according to the stylistic variations observed in them.” (Lutosławski 1897, 65). Lutosławski determined five hundred stylistic peculiarities of Plato’s style divided into accidental, repeated and frequent ones, and on this basis established the chronological order of Platonic dialogues. He concludes in a positivistic vein: “This exceptional importance of one particular case will enable us to decide questions of authenticity and chronology of literary works with the same certainty as palaeographers now know the age and authenticity of manuscripts. This future science of stylometry [Lutosławski was presumably the first to use this word K JS, AP] may improve our methods beyond the limits of imagination [...].“ (Lutosławski 1897, 193) As late as fifty years after Lutosławski’s pioneering work, W. Kuraszkiewicz, suggested the use of a quantitative measure of lexical richness. His coefficient has the form of k Z y / Ox, where x represents the length of text measured with the number of word forms, while y is the scope of vocabulary (Kuraszkiewicz/Łukaszewicz 1951). It is similar to Guiraude’s ratio, and has no practical significance nowadays K it is mentioned here merely because of the role it played in spreading a mathematical approach to language studies in Poland. The problems of stylometry were then approached by J. Woronczak (1965) who used much more sophisticated mathematical instruments. The author’s objective was to find unbiased estimators for coefficients of lexical richness, sensitive to lexical variety but independent of the length of the stretch

studied. On the basis of Good’s measures (Good 1953), representing the probability of drawing m items of the same class in m independent samplings of general population, cm Z ∑ pm i

(3)

i

Woronczak obtained formulae of cm estimators for mZ2 and mZ3: c¯2 Z

∑ fi2 K N

c¯3 Z

∑ fi3 K 3 $ ∑ fi2 C 2 N

(4)

N2 K N N (N K 1) (N K 2)

(5)

where fi is the frequency of the i-th word form, and N stands for sample length (Formula (4) was also given by G. Herdan. Both scholars pointed out the similarity between the c2 and Yule’s K characteristics.). A generalisation of formulae (4) and (5) is formula (6). Its author did not recommend, however, calculating its value for m O 3 (Woronczak 1976). fi (fi K 1) ... (fi K m C 1) c¯m Z ∑ i N (N K 1) ... (N K m C 1)

(6)

Using the B and ρ parameters of Mandelbrot’s equation, Woronczak also arrived at formulae for the expected vocabulary scope in a text of a given length, and for the expected number of words occurring with a given frequency (Woronczak 1967; 1976). Estimators (4) and (5) were verified on a vast corpus of French literary texts by A. Pawłowski (1994). The values of coefficients were calculated for increasingly longer text samples (20.000; 40.000; 60.000 up to 600.000 words) and compared by means of the coefficient of variation. A significant improvement in ratio stability could be observed already with the logarithmic TTR, but the most stable proved to be the coefficients of Dugast, Yule and Woronczak (Tab. 7.4) (Woronczak provided preliminary verification of the estimators (4) and (5), but

Table 7.4: Vocabulary richness ratios and their dispersions Ratio

Coefficient of variation

Ratio

Coefficient of variation

TTR Kuraszkiewicz Guiraud V1 / V2 (Guiraud) log TTR (Herdan)

0,610 0,202 0,202 0,179 0,038

c3 (Good) c3 (Good) K (Yule) UBER (Dugast)

0,022 0,006 0,006 0,001

7. Quantitative linguistics in Poland

he admitted that the test structure was not fully satisfactory (Woronczak 1976, 167)). Woronczak also proved that there is a relationship between the values of his estimators (c2 and c3) and the lexical cohesion of a text (Woronczak 1976). By investigating the variation of the estimators’ values calculated for increasingly long samples of a continuous text (N Z 2, 4, 8, ... words), he found that they first went up along with the growing N values and then K despite the geometric increase of N K became stable. The limit value of N, where the c2 and c3 estimators become relatively stable or reach their peak, indicates the boundary of the lexical cohesion of a text and determines the average length of segments relatively consistent with regard to their lexical and/or thematic content. This hypothesis was corroborated by the tests carried out on texts by St. Fulgentius and St. Augustine (Woronczak 1976). In the case of the St. Augustine’s text, addressed to an uneducated audience and thus written in a much simplified style, the limit value of N was about 45 words, while for St. Fulgentius’s text K a more difficult and literary one K it was about 128 words. A comprehensive study of the statistical structure of rare vocabulary found in Pan Tadeusz (PT) by A. Mickiewicz was originated by J. Sambor (1969). The rank frequency lists of the Greek New Testament (NT) compiled by R. Morgenthaler were used for comparison. It was found that Zipf’s first law refers only to the text of PT (the r ! f relation was described with Mandelbrot’s equation). Then Sambor tested a hypothesis stating that the statistical structure of rare vocabulary (RV) can be adequately described using the Poisson distribution. Tests were performed on both individual chapters and the whole text of PT and the empirical distributions were shown to correlate with Poisson distribution. The lognormal distribution also proved a good model to describe RV. Statistical distributions of linguistic units in literary texts were also studied by A. Bartkowiakowa and B. Gleichgewicht. Bartkowiakowa (1962) used the Polya margin distribution to estimate the empirical distribution of attributive phrase lengths in descriptive sentences. She proved that the number of modifying phrases in a sentence could be described by means of the Fucks distribution, with the ß1 parameter varying for each individual work of literature. Then

121 the authors studied the empirical distributions of syllable length for the vocabulary used in nine literary works dating back to the period from the 14th to the 20th century, and described them using the bi-parametric Fucks distribution (Bartkowiakowa 1962). They also calculated the average word length and the entropies of the empirical distributions, thus showing that these values grew steadily for the more recent literary works. Polish QL has also tackled the problems of authorial attribution. Using the ARIMA method of time-series analysis, A. Pawłowski compared French texts written by the same author under different names or pen names (R. Gary and E. Ajar) and texts written by a number of prose writers who were Gary’s contemporaries (Pawłowski 1998). It appeared that stochastic models of the sequential organisation of text units (e. g. lexemes and sentences) could be an efficient instrument in discriminating between tests by different authors. Several quantitative studies of poetry and versification in Poland were coordinated by M. R. Mayenowa (e. g. Mayenowa 1965; Pszczołowska 1967). One of the examples is the analysis of verse length distribution in Slavonic asyllabic poems of the 15th K16th centuries by J. Woronczak (1960). The distribution of sentence length K measured in syllables K for Polish prose was included for comparison. This was a gamma distribution with a significant right-biased asymmetry. The variance of asyllabic verse lengths was smaller than the variance of prosaic sentences, and it additionally decreased with time. Another finding was a significant heterogeneity in the distributions of asyllabic verse length for different writings. Statistical methods have traditionally been used in mass media content analysis. (In Poland such analyses are mostly performed by the Press Research Centre of the Jagiellonian University in Cracow.) They allow researchers to describe such message parameters as theme, ideological orientation, or comprehensibility. W. Pisarek (1983) compared four frequency dictionaries of journalistic texts published in German, Polish, Russian and Slovak daily newspapers. Irrespective of their particularities, the study revealed a number of shared features, e. g. the highest ranks of lexemes defining time and space (thus the time and place of events reported).

122

6.

I. Allgemeines / General

Corpus studies

The origin of corpus studies in Poland coincided with the publication of The Frequency Dictionary of Contemporary Polish (henceforth FDCP), which follows the structure of Juilland’s dictionaries (Kurcz/Lewicki/Sambor et al. 1990). FDCP was developed on the basis of a 500.000-word sample including five registers: scientific texts, brief news stories, editorials and opinion pieces, artistic prose and drama. The basic ratios describing lexeme frequency distributions in each register were Juilland’s F, D and U indexes. The Dictionary includes an English abstract of the extensive Introduction. Frequency dictionaries of contemporary spoken Polish, including the vocabulary of adults and kindergarten children, were developed by H. Zgółkowa and K. Bułczyńska (Zgółkowa 1983; Bułczyńska/Zgółkowa 1987). Both dictionaries are based on 100.000-word corpora. Methodologically they follow the pattern of FDCP. Empirical data included in the above dictionaries gave rise to many corpus analyses of the Polish language. Thus I. KamińskaSzmaj (1990), used FDCP as a basis to present lexical differences between the five registers of Polish. H. Zgółkowa (1987) used the whole corpora of FDCP as well as her own dictionaries of spoken Polish to provide a description of Polish as spoken by adults and children and to compile a minimum dictionary of Polish. In selecting entries she considered only the rank and frequency of words. However, combining written and spoken texts produced by adults with spoken texts produced by children resulted in the dictionary’s apparent heterogeneity. There are also corpus-based studies of Polish that are not directly related to FDCP. M. Zarębina (1985) developed and studied in statistical terms a 100.000-word corpus of spoken Polish, while M. Rachwałowa (1986) provided a comprehensive quantitative analysis of Polish scientific vocabulary. Quantitative study of lexical saturation of a corpus, using the concept of ‘sublanguage’ by R. Kittredge, was carried out by the team of Z. Vetulani in the framework of his research on the AI (Vetulani 1989, 69K102). Corpus data from FDCP were also applied in ethnolinguistics studies. A. Pawłowski compared the frequencies of country names in the corpora of ten European languages (Pawłowski 1999a). The hypothesis

was that the frequencies of lexemes representing country names within the corpora in question should, at least to some extent, reflect the division of Europe that existed until the fall of the communist system (the analysed corpora date back to the 1960’s and 1970’s). The results did not corroborate this hypothesis. The quantitative structure of the vocabulary reflected only the cultural closeness and regional co-operation between countries as well as their economic and political potential for international leadership, with no regard at all to the countries’ location in relation to the Iron Curtain. Using the same corpora of Indo-European languages, Pawłowski also verified the thesis of Berlin and Kay concerning the arbitrary character of colour terms coding (Pawłowski 1999b). In this case no definite result was reached. The x2 test showed that the frequencies of colour terms in individual languages are statistically independent (which would mean that colour terms coding is language-specific). However, when the numerical scale was replaced with the ordinal one and the colour terms in every language were ordered according to their frequencies, it appeared that there were no statistically significant differences between languages (Spearman’s rank correlation coefficient was used).

7.

Statistical laws of language

The relationships between word frequency, length, number of meanings and rank, discovered by J. K. Zipf and consequently referred to as Zipf’s laws, prompted the search for other language laws. Beside Zipf’s classic relations, the most closely examined one is Menzerath’s law, which states that “the longer a linguistic construction, the shorter its constituents”. The laws of Krylov and Beöthy describe relationships between the frequency of a lexeme and its range of meanings. Even though Zipf is considered a precursor of the study of quantitative laws in language, also J. I. N. Baudouin de Courtenay K the creator of modern Polish linguistics and one of the founders of structuralism K predicted their discovery: “There will be a time for true laws of the psycho-social world, first and foremost the world of language, laws that will stand worthily together with the laws of natural sciences, expressed in terms of unconditional relations between values.” (Baudouin de Courtenay 1927).

123

7. Quantitative linguistics in Poland

7.1. Zipf’s law Research into Zipf’s law, which describes the relation between the position of a word on the rank-list and its frequency, was undertaken by J. Woronczak (1967). Starting from the formulae of Estoup, Joos and Mandelbrot, he supplied an analytic description of the quantitative structure of the vocabulary in a text considered to be a sample taken from the infinite general population. He arrived at formulae for the expected vocabulary scope, as well as for the expected num-

ber of words of a given frequency, in a text composed of N words (Woronczak 1967, 2259). Woronczak also considered a generalisation of the obtained formulae for an unlimited text where N / N and the number of ranks is r / N. However, his generalisations discussed above have not been corroborated by empirical tests. 7.2. Menzerath’s law Polish linguists have tested Menzerath’s law on different language levels, but the most

Fig. 7.4: Menzerath’s law for the semantic structure of Polish vocabulary

Fig. 7.5: Menzerath’s law for the semantic structure of Polish nouns

124

7.3. Krylov’s law A relation between the number of lexemes (yx) which have x meanings in a given dictionary and the number of meanings (x) was already observed by Zipf. This relation, defined in terms of a linguistic statistical law that describes the structure of polysemy in a dictionary, was tested exhaustively for Polish and Russian languages. Sambor carried out an analysis of the empirical distributions of the number of meanings for lexemes excerpted from three Polish language dictionaries (Sambor 1989; Hammerl/Sambor 1993, 117K129). In spite of differences among the dictionaries as well as imprecision of semantic criteria, all the distributions turned out to be very similar (Fig. 7.6).

Percentage of vocabulary

0.6

0.5 Entire dictionaries SO

0.4

SSRLJa MSJP

0.3

0.2

0.1 x

1

2

3

4

5

6

7

8

9

10

11

Number of meanings

Fig. 7.6: Empirical distributions of polysemous vocabulary in three dictionaries ( SO, SSRLJa K Russian language dictionaries, MSJP K a Polish language dictionary.)

In trying to arrive at a formal description of the relation presented, a test was performed on a functional model proposed by Krylov: px Z

1

where px K percentage of lexemes 2x with x meanings in a dictionary; (7)

Despite the apparent compatibility of the two distributions, the χ2 test showed signifi2 cant discrepancies K χ2emp Z 54,43 O χ 0,05 Z 15,51 with ν Z 8 (Fig. 7.7). Another Kryn

500

Number of lexemes

original results were obtained by R. Hammerl and J. Sambor in describing semantic structure. Thanks to their work, Menzerath’s law was generalised and the rule stating that the polysemy of long words is low, while that of short words is high, was described in formal terms, thus acquiring the status of a linguistic quantitative law. Sambor analysed extensive lexeme samples obtained at random from Polish and Russian dictionaries (Sambor 1984; Hammerl/Sambor 1993). The object of the study was the relation between word length as expressed in syllables and/or letters (xi) and the average number of the word’s meanings (yi). Out of three types of regressive functions (y Z axb ecx, y Z axb and y Z aecx), the second one (y Z axb) proved to be the best model. The strongest correlation of variables was found to occur when the words studied were sampled randomly from the entire dictionary and word length was expressed in letters. For instance, for a set of lexemes selected from among all the entries of a Polish dictionary, the following relation between word length (x) and the number of meanings (y) was found: y Z 9,13xK0,77, with satisfactory results of the F test (Femp. (1,11) Z 337 F0,05 (1,11) Z 4,84) (Fig. 7.4). Sambor’s work also included a description of the noun length distribution according to the number of meanings, as developed using the above models (Fig. 7.5). For the same initial parameters, the F test showed the second model to be the most compatible (Femp. (1,12) Z 65 O F0,05 (1,12) Z 4,75) (Sambor 1984, 106).

I. Allgemeines / General

400 Polish-entire dictionary empirical data

300

theoretical data (p = 2 -x)

200

100

1

2

3

4

5

6

7

8

9

10

11 x

Number of meanings

Fig. 7.7: Krylov’s law K empirical and theoretical values

125

7. Quantitative linguistics in Poland

lov’s model also proved unsatisfactory. Therefore this law represents a mere statistical trend, which has so far been verified only empirically. 7.4. Beöthy’s law Beöthy’s law determines the statistical distribution of the various meanings of a polysemous lexeme in a text. This law belongs to microsemantics, because it describes statistical distribution of the meanings of a single morpheme or lexeme in a text (Hammerl/ Sambor 1993, 133K136).

The object of study was the statistical structure of the frequencies of the semantic functions served by the preposition ‘w’ [‘in’] in an excerpt of Polish prose (Sambor 1991). The classifications of its meanings found in two dictionaries (SPP K Słownik poprawnej polszczyzny [Dictionary of Correct Polish], MSJP K Słownik języka polskiego [Dictionary of the Polish Language] edited by M. Szymczak.) were used for comparison (15 and 12 meanings, respectively). In both instances the distributions obtained were much similar (Tab. 7.5).

Fig. 7.8: Empirical rank distribution of the preposition’s meanings in a text according to their classification included in MSJP (left) and SPP (right)

Table 7.5: Rank distributions of the preposition w [in] in an excerpt from a Polish novel MSJP classification

SPP classification

rank ri

Frequencies in the text ni

1. 2. 3. 4. 5. (6.) 7. 8. 9. 10. (11.) 12. 13. 14. 15.

298 54 40 36 18 (11) 9 8 7 7 (4) 2 1 1 1

‘place’ ‘time’ ‘group, institution’ ‘manner’ ‘state’ ‘change’ ‘clothing, cover’ lexicalised expressions

Total

487

(497)

general words

rank ri 1. 2. 3. (4.) 5. 6. 7. 8. 9. 10. 11. 12.

457

Frequencies in the text ni 198 100 54 (40) 21 20 20 15 13 8 7 1

(497)

‘place loc.’ ‘place adl.’ ‘time’ ‘group, institution’ ‘state’ ‘manner’ ‘target, outcome, result’ lexicalised expressions

126

I. Allgemeines / General

The rank distributions obtained on the basis of the text were then compared with the ranks of the individual meanings found in the dictionaries. It was assumed that the order of meanings in an entry was from the most to the least common, with the difference lying in the fact that it was determined by the lexicographer’s competence and not by empirical data. The Spearman rank correlation coefficient showed a lack of correlation in the case of the MSJP (R Z 0,26) and poor correlation for the SPP (R Z 0,64) (Fig. 7.8). The above shows that dictionaries which ignore empirical corpus data do not adequately describe the cognitive structure of vocabulary included in the mental vocabulary which is reflected indirectly in texts. Despite the inexact nature of semantic criteria, this structure can be perceived, described and used as a basis for assessing the quality of a dictionary.

8.

Psycholinguistics

The most significant achievements of Polish psycholinguistics include studies on the mental lexicon. They are a product of demands put forth by audiometry which, while assessing the perception and comprehension of linguistic units, also considers the subjective level of anticipation. The first discussion of the problem was based on an analysis of 2.886 Polish words, whose usage was assessed by 90 respondents in terms of a sixgrade scale (Jassem/Gembiak 1980). Continued research led to the publication of a frequency dictionary of the subjective probability of occurrence of Polish words (Imiołczyk 1987). The dictionary relies on a frequency evaluation of 5.138 Polish lexemes obtained through a survey among 2.000 respondents (a seven-grade scale was used). It includes a rank list of entries according to the arithmetic mean of the grades allocated (together with the positional statistics), an index of polysemous entries (The phenomenon of polysemy was accounted for, and therefore the unit examined was always a lexeme in its individual, definite meaning.), and an alphabetic list of entries with their ranks. The large number of respondents and the high dispersion of ranks assessments are responsible for the balance of frequency evaluations.

9.

Quantitative methods in diachronic and historic linguistics

Applications of statistical methods in historical linguistics were the object of study of W. Mańczak, I. Bajerowa and A. Wierzbicka. The most extensive research in this field was indisputably done by Mańczak. However, the range of his investigations is so vast that it would require a separate monograph, which is all the more necessary since some of his theses have given rise to lively controversies (Best 1973). Therefore, this presentation is just a modest and unrepresentative review of his achievements (Köhler 1995; Mańczak 1996). In the course of his many years of research, Mańczak proved that a word form is dependent not on two, but on three basic determinants: regular phonetic development, analogous development and irregular phonetic development due to frequency of occurrence. It is the last factor that makes frequently used words or morphemes (mostly inflectional ones) undergo reductions leading to considerable diversity in their paradigms. Suppletivism would be a consequence of this rule (Mańczak 1969). In comparing the lexicons of Romance languages, Mańczak showed that the earlier a new province was seized by the Romans, the greater the percentage of lexemes of Romance origin (Mańczak 1991). In examining the lexicons of Germanic languages, he noticed that the percentage of words of ambiguous and/or non-Indo-European origin increases towards the north, which would serve to prove the thesis that this was exactly the direction in which Indo-European influences spread onto Germanic territory (Mańczak 1992). An analysis of several parallel corpora of Germanic languages allowed Mańczak to conclude that the original homeland of the Goths was the southern part of ancient Germania (Mańczak 1982). Results obtained from his research on Slavonic languages enabled Mańczak to put forward the hypothesis that Slavs are descended from that part of the ancient IndoEuropean population which had stayed within their original territory, while the other Indo-European peoples are descended from those Indo-Europeans who had left their land and mixed with non-Indo-European peoples (Mańczak 1992). The original homeland of the Slavs would thus be the Oder river basin (Mańczak 1992).

7. Quantitative linguistics in Poland

Wierzbicka (1966) studied the syntax of 16th-century Polish. She showed that K in contrast to modern Polish K the predicate would usually occur in the final position (she applied regression analysis and x2 test), while the t test proved that the percentage of sentences with hypotaxis is significantly high. A synchronic analysis of 16th-century syntax was accompanied by a comparison with 20th century syntax, which displays extensive hypotaxis in simple sentences and growing nominalisation. A detailed quantitative analysis of the transformations Polish underwent in the 18th-century was carried out by Bajerowa (1964). The transformations involved a gradual decline of regressive forms and the spread of innovations on all language levels. Bajerowa distinguished five innovation types and presented their evolution throughout the 18th century (Bajerowa 1964, 232). By applying a similar method to the 19thcentury Polish, she showed the growing stability of the whole Polish language system of the time (Bajerowa 1986). A particular place in Polish QL is occupied by W. Skalmowski, an expert in Oriental languages. In one of his works (Skalmowski 1961) he analysed the percentage of borrowings from Arabic languages in Persian. Samples of press language and of artistic writings of Sa’di and Hafiz, Persian poets of the 13th and 14th century, were quantitatively compared with the texts by Alawi, a modern Persian prose writer. The percentages of Arabic borrowings in the lexicon and in the texts showed only slight differences for all samples. This corroborated the hypothesis that the percentage of Arabic vocabulary in Persian has not changed considerably since the 13th century.

10. Literature (a selection) Bajerowa, Irena (1964), Kształtowanie się systemu polskiego języka literackiego w XVIII w. [The formation of standard Polish in the 18th century]. Wrocław u. a.: Ossolineum. Bajerowa, Irena (1986), Polski język ogólny XIX w. Stan i ewolucja. Ortografia, fonologia z fonetyką, morfologia [General Polish in the 19th century. State and Evolution. Spelling, phonology, phonetics and morphology.] Katowice: Wydawnictwo Uniwersytetu Śląskiego. Bartkowiakowa, Anna (1962), O rozkładzie określeń w zdaniach opisowych Żeromskiego i Sienkiewicza [On the distribution of complements

127 in the descriptive sentences of Żeromski and Sienkiewicz]. In: Zeszyty Matematyczne 6 (3), 287K 303. Bartkowiakowa, Anna/Gleichgewicht, Bolesław (1962), O długości sylabicznej wyrazów w tekstach autorów polskich [On the syllabic length of words in texts by Polish authors]. In: Zeszyty Matematyczne 6 (3), 309K319. Baudouin de Courtenay, Jan (1927), Ilościowość w myśleniu językowym [Quantity as a dimension of thought about language]. In: Symbolae gramaticae in honorem Jan Rozwadowski, v.1. (Festschrift), Cracoviae: Gebethner & Wolff, 3K18. Reprint: Baudouin de Courtenay, J. (1990), Dzieła wybrane t. IV [Selected Writings, v. 4]. Warszawa: PWN, 546K563. Best, Karl-Heinz (1973), Probleme der Analogieforschung. München: Max Hueber Verlag. Bułczyńska, Katarzyna/Zgółkowa, Halina (1987), Słownictwo dzieci w wieku przedszkolnym. Listy frekwencyjne [The vocabulary of children at the pre-school age: frequency lists]. Poznań: Wydawnictwo UAM. Good, Irving John (1953), On the population frequencies of species and estimation of population parameters, in: Biometrika 40/1953, 237K264. Gruszczyński, Włodzimierz (1987), Fleksja rzeczowników pospolitych we współczesnej polszczyźnie pisanej na materiale Słownika Języka Polskiego PAN pod red. W. Doroszewskiego [The inflection of Polish common nouns. Based on the Słownik Języka Polskiego PAN by W. Doroszewski]. Wrocław u. a.: Ossolineum. Hammerl, Rolf/Sambor, Jadwiga (1993), O statystycznych prawach językowych [On the statistical laws of language]. Warszawa: Polskie Towarzystwo Semiotyczne. Imiołczyk, Janusz (1987), Prawdopodobieństwo subiektywne wyrazów. Podstawowy słownik frekwencyjny języka polskiego [The subjective probability of words. A basic frequency dictionary of Polish]. Warszawa, Poznań: PWN. Jassem, Wiktor (1966), The Distinctive Features and the Entropy of the Polish Phoneme System. In: Biuletyn Polskiego Towarzystwa Językoznawczego 24, 87K108. Jassem, Wiktor (1974), Mowa a nauka o łączności [Speech and communication science]. Warszawa: PWN. Jassem, Wiktor/Gembiak, Danuta (1980), Subiektywne prawdopodobieństwo wyrazów polskich [Subjective probability of Polish words]. Warszawa, Poznań: PWN. Kamińska-Szmaj, Irena (1990), Różnice leksykalne między stylami funkcjonalnymi polszczyzny pisanej. Analiza statystyczna na materiale słownika frekwencyjnego [Lexical differences between functional styles of written Polish. A statistical analysis based on the data from the frequency dic-

128 tionary]. Wrocław: Wydawnictwo Uniwersytetu Wrocławskiego. Köhler, Reinhard (1995), Bibliography of Quantitative Linguistics. Amsterdam: John Benjamins. Kuraszkiewicz, Władysław/Łukaszewicz, Józef (1951), Ilość różnych wyrazów w zależności od długości tekstu [The frequency of different words as a function of text length]. In: Pamiętnik Literacki 42 (1), 168K182. Kurcz, Ida/Lewicki, Andrzej/Sambor, Jadwiga/ Szafran, Krzysztof/Woronczak, Jerzy (1990), Słownik frekwencyjny polszczyzny współczesnej, t. 1K2 [The frequency dictionary of contemporary Polish, v. 1K2]. Kraków: PAN, Instytut Języka Polskiego. Lutosławski, Wincenty (1897), The origin and growth of Plato’s logic. London, New York, Bombay: Longmans, Green and Co. Łobacz, Piotra (1973), A pilot study of phoneme prediction in running Polish speech. In: Speech Analysis and Synthesis 3/1973, 75K83. Łobacz, Piotra (1995), O percepcyjnej klasyfikacji spółgłosek raz jeszcze [The perceptive taxonomy of consonants revisited]. In: Eufonia i Logos. (Hrsg. J. Pogonowski). Poznań: wyd. UAM, 171K 183. Mańczak, Witold (1969), Do the “cases vides” exist? In: Linguistica Antverpiensia 3, 295K303. Mańczak, Witold (1982), Kamen die Goten aus Skandinavien? In: Indogermanische Forschungen 87, 127K137. Mańczak, Witold (1991), La classification des langues romanes. Kraków: Universitas. Mańczak, Witold (1992), De la préhistoire des peuples indo-européens. Kraków: Universitas. Mańczak, Witold (1996), Problemy językoznawstwa ogólnego [Problems in general linguistics]. Wrocław: Ossolineum. Mayenowa, Maria R. (Hrsg.), Poetyka i matematyka [Poetics and mathematics]. Warszawa: PIW, 1965. Nagórko, Alicja (1984), Die Anwendung des Häufigkeitskriterium bei der Wortbildung. In: Glottometrika 6. Bochum: Brockmeyer, 48K64. Pawłowski, Adam (1994), Ein Problem der klassischen Stilforschung: Die Stabilität einiger Indikatoren des Lexikonumfangs. In: Zeitschrift für Empirische Textforschung 1, 67K74. Pawłowski, Adam (1997), Time-Series Analysis in Linguistics. Application of the ARIMA Method to Some Cases of Spoken Polish. In: Journal of Quantitative Linguistics 4/1K3, 1997, 203K221. Pawłowski, Adam (1998), Séries Temporelles en linguistique. Avec application a l’attribution de textes: Roman Gary et Emile Ajar. Paris: Champion. Pawłowski, Adam (1999a), Language in the Line vs. Language in the Mass: On the Efficiency of

I. Allgemeines / General Sequential Modelling in the Analysis of Rhythm. In: Journal of Quantitative Linguistics 6/1, 1999, 70K77. Pawłowski, Adam (1999b), Metodologiczne podstawy wykorzystania słowników frekwencyjnych w badaniu językowego obrazu świata [Methodological foundations of the use of frequency dictionaries in investigating the linguistic image of the world]. In: Przeszłość w językowym obrazie świata (Hrsg. A. Pajdzińska/P. Krzyżanowski). Lublin: wyd. UMCS, 81K99. Pawłowski, Adam (1999c), The Quantitative Approach in Cultural Anthropology: Application of Linguistic Corpora in the Analysis of Basic Color Terms. In: Journal of Quantitative Linguistics 6/ 3, 222K234. Pisarek, Walery (1983), “Reality” East and West. In: Language, Image. (Hrsg. H. Davis, P. Walton). Oxford: Basil Blackwell, 156K165. Pszczołowska, Lucylla (1967), La divisibilité du me`tre et substrat linguistique. In: To Honor Roman Jakobson: Essays on the occasion of his seventieth birthday, 11 October 1966, vol. II. (Festschrift). The Hague: Mouton, 1624K1633. Rachwałowa, Maria (1986), Słownictwo tekstów naukowych [The vocabulary of scientific texts]. Wrocław: Ossolineum. Rocławski, Bronisław (1981), System fonostatyczny współczesnego języka polskiego [Phonetic statistics of Polish]. Wrocław: Ossolineum. Saloni, Zygmunt (1988): Struktura gramatyczna słownictwa zawartego w ‘Słowniku Języka Polskiego’ PAN pod red. Witolda Doroszewskiego K zestawienia liczbowe [The grammatical structure of the vocabulary of the ‘Słownik Języka Polskiego’ PAN by Witold Doroszewski K numerical data]. In: Studia z polskiej leksykografii współczesnej. (Hrsg. Z. Saloni). Wrocław: Ossolineum, 149K160. Sambor, Jadwiga (1969), Badania statystyczne nad słownictwem (na materiale Pana Tadeusza) [The statistical investigations of vocabulary (based on Pan Tadeusz)]. Wrocław: Ossolineum. Sambor, Jadwiga (1971), The distribution of low frequency words in texts of natural languages. In: Bulletin de la Société Polonaise de Linguistique 28, 125K133. Sambor, Jadwiga (1975), O słownictwie statystycznie rzadkim (na materiale derywatów we współczesnej publicystyce polskiej) [On statistically rare vocabulary (based on derivations in modern Polish journalistic prose)]. Warszawa: PWN. Sambor, Jadwiga (1976), Kompozycje rzeczownikowe dwunominalne i nominalno-werbalne w tekstach współczesnego języka polskiego [The nominal and verbal compounds of the N-N and NV type in contemporary Polish]. In: Semantyka tekstu i języka. (Hrsg. M. R. Mayenowa). Wrocław: Ossolineum, 239K256.

129

8. Quantitative linguistics in the Czech Republic Sambor, Jadwiga (1984), Menzerath’s law and the polysemy of words. In: Glottometrika 6. Bochum: Brockmeyer, 94K114. Sambor, Jadwiga (1989), Struktura kwantytatywna wyrazów polisemicznych w słowniku, czyli o tzw. prawie Kryłowa (na materiale języka polskiego i rosyjskiego) [The quantitative structure of polysemic words in Polish and Russian vocabulary, or the so called ‘Krylov law’]. In: Polonica 14, 13K31. Sambor, Jadwiga (1991), Struktura kwantytatywna wielofunkcyjnego morfemu gramatycznego w tekście (na materiale polskiego przyimka w) [The quantitative structure of the multifunctional grammatical morpheme in a text (the example of the preposition w in Polish)]. In: Munera Linguistica L. Kuraszkiewicz dedicata (Hrsg. M. Basaj/Z. Zagórski). Wrocław: Ossolineum, 283K294. Skalmowski, Wojciech (1961), Ein Beitrag zur Statistik der arabischen Lohnwörter im Neupersischen. In: Folia Orientalia 3(1), 171K175. Steffen-Batóg, Maria (1997), Phonetic Studies. Poznań: Serus. Vetulani, Zygmunt (1989), Linguistic Problems in the Theory of Man-Machine Communication in Natural Language. Bochum: Brockmeyer. Vetulani, Zygmunt/Walczak, Bogdan/Obrębski, Tomasz/Vetulani, Grażyna (1998a), Unambiguous coding of the inflection of Polish nouns and its application in electronic dictionaries K format POLEX. Poznań: Wydawnictwo UAM. Vetulani, Zygmunt/Martinek, Jan/Obrębski, Tomasz /Vetulani, Grażyna (1998b), Dictionary based methods and tools for language engineering. Poznań: Wydawnictwo UAM. Wierzbicka, Anna (1966), System składniowo-stylistyczny prozy polskiego renesansu [The syntac-

tic-stylistic system of Polish Renaissance prose]. Warszawa: PIW. Woronczak, Jerzy (1960), Statistische Methoden in der Verslehre. In: Poetics K poetyka K poetika. Warszawa: PWN, IBL, 607K627. Woronczak, Jerzy (1965), Metody obliczania wskaźników bogactwa słownikowego [Methods of calculating lexical richness coefficients]. In: Poetyka i matematyka. (Hrsg. M. R. Mayenowa). Warszawa: PIW, 145K165. Woronczak, Jerzy (1967), On an attempt to generalize Mandelbrot’s distribution. In: To Honor Roman Jakobson: Essays on the occasion of his seventieth birthday, 11 October 1966, vol. II. (Festschrift). The Hague: Mouton, 2254K2268. Woronczak, Jerzy (1976), O statystycznym określeniu spójności tekstu [On the statistical definition of text cohesion]. In: Semantyka tekstu i języka. (Hrsg. M. R. Mayenowa). Wrocław: Ossolineum, 165K173. Zarębina, Maria (1985), Próba statystycznej analizy słownictwa polszczyzny mówionej [Statistical analysis of spoken Polish K an outline]. Wrocław u. a.: Ossolineum. Zgółkowa, Halina (1983), Słownictwo współczesnej polszczyzny mówionej. Lista frekwencyjna i rangowa [Vocabulary of contemporary spoken Polish. Rank- and frequency list]. Poznań: Wydawnictwo UAM. Zgółkowa, Halina (1987), Ilościowa charakterystyka współczesnej polszczyzny [The quantitative structure of contemporary Polish]. Poznań: Wydawnictwo UAM.

Jadwiga Sambor, Adam Pawłowski, Warszawa/Wrocław (Poland)

8. Quantitative linguistics in the Czech Republic 1. 2. 3.

1.

Quantitative linguistics in the classical Prague School period Quantitative linguistics during the second half of the 20th century Literature (a selection)

Quantitative linguistics in the classical Prague School period

The study of Czech from the quantitative viewpoint in any significant measure dates from the beginning of the 20th century. Most of the empirical studies at that time were closely connected with the development of various shorthand systems on the one hand,

and, on the other, with efforts to achieve progress in education in the pedagogical sphere, i. e. with the creation of graded readers and literary readers for elementary schools and the compilation of foreign-language textbooks. The systematic development of Czech quantitative linguistics as a linguistic study in its own right K with its own subject, methods and tasks K began at the end of the 1920s within the theoretical framework of functional structuralism. The principles of functional linguistics formulated in the Thèses of the Prague Linguistic Circle (Theses 1929) proved to be particularly beneficial for the development of quan-

130 titative linguistics. The important representatives of the Prague School, especially Vilém Mathesius, Josef Vachek, Bohumil Trnka, Jiří Krámský, Roman Jakobson (cf. the extensive collection of his studies published in Czech in 1995 in Prague), who have significantly influenced many areas of “word and literature” studies, also wrote major works on quantitative linguistics during the thirties and the forties. They wrote their papers in Czech, or in English, German, or French and published them in the basic Prague Linguistic Circle series called Travaux du Circle Linguistiques de Prague and in other journals, or in book form. The crucial importance of these studies for the development of modern linguistic thinking is demonstrated by the fact that most of them were reprinted in the 1960s in a comprehensive reader prepared by Vachek (1964). Those studies which the authors originally published in Czech were translated into English. The English-translated selection of Trnka’s papers were published by the Czech anglicist Fried (Trnka 1982). Trnka, for one, was the author of the most comprehensive programmatic integration of quantitative studies in the structuralist theory of language. Here is a quotation from one of his later works: “Before any speech units can be counted, we must have them, and it is clear that the correctness of statistical results depends entirely K provided that no omissions or other errors in counting are made K on that of structural linguistics” (Trnka 1950b, 3). The notion of quantum was regarded by the Prague School as the necessary, constitutive element of linguistic reality, and therefore as a concept which enters the definitions of the basic linguistic oppositions. The Prague School representatives repeatedly stressed that it is neither insignificant nor accidental whether, for instance, the same phonemic opposition occurs in the language system only once, or twice or a hundred times. In other words, that the important thing is not only whether, for example, a certain phonological opposition (or phoneme, a group of phonemes, a morpheme, etc.) occurs in a given language at all (whether it occurs or does not occur in the inventory, the repertoire of the elements of a given language), but also the level, degree, and intensity (Grad der Ausnützung) at which it is used or its functional load (Belastungsfähigkeit). While the presence vs. the absence of an element in a language system is a matter

I. Allgemeines / General

of quality, the functional load of an element is a quantitative complementary feature. If we want to know language facts in their entirety, it is necessary to take account of both. As one of the principal research issues of the pre-war period of the Prague School was phonology, quantitative analysis of that time concentrated primarily on the investigation of the functional load of phonemes in the language system represented by lexis, i. e. in words (lexemes) and/or in word forms, and on the study of functional load in consecutive speech (in text). The languages studied included not only Czech (Mathesius 1964a; Mathesius 1964b; Vachek 1940), but also old and modern English, Persian, Italian, and others, often from a typological (contrastive) point of view (Trnka 1935; Krámský 1939; Krámský 1942; Krámský 1948). Many of these authors’ studies, whether phonological or other, were published even later (cf. Trnka 1964; Trnka 1966; Krámský 1964; Krámský 1966; Krámský 1978). The youngest member of the first generation of Prague structuralists, phonologist and typologist Krámský, was active and wrote until 1990 (Krámský 1990). Quantitative analysis based on functional structuralist principles resulted in some important special applications. The most remarkable of these was Trnka’s attempt (Trnka 1937) to devise a new Czech shorthand system (never applied in practice however). Trnka’s shorthand system was based on the functional principle that the quantitative and qualitative differences between phonemes should have exact graphological correspondences. Therefore in his proposal the shortest signs of the shorthand alphabet were assigned to the most frequent phones and the functional phonological oppositions were designated graphologically in the same way in all phonemic pairs (for example, b was distinguished from p by the same graphological attribute as d from t, z from s, etc.). Prague functionally-oriented quantitative linguistics was born at the same time as G. K. Zipf began to write his works in America. In Czechoslovakia, Zipf’s studies were reviewed by Trnka (1950b). Trnka, who pointed out the independence of and the differences between the starting points and aims of the Prague School’s and Zipf’s quantitative researches, was certainly not wrong when he praised highly Zipf’s work in his English review on the one hand, expressing his conviction that “it will not fail to influ-

8. Quantitative linguistics in the Czech Republic

ence the linguistic thought of today” (Trnka 1950b, 5), nor was he wrong when, on the other hand, he stressed that Zipf’s laws were only partially applicable and demanded that they be revised. He accurately described Zipf’s contribution in that he as a statistician showed the advantages of a statistical method compared with qualitative analysis in the sense that statistical analysis “is being able to afford to neglect the narrow limits of one language and to concentrate on linguistic problems of a general character” (Trnka 1950b, 5). Trnka believed in the existence of general quantitative laws which govern the structure of all languages, and saw the attempts to formulate them as a major task of future quantitative linguistics K in this respect he was proved right by the subsequent development of quantitative linguistics. He himself, however, avoided their formulation, considering it premature at that time.

2.

Quantitative linguistics during the second half of 20th century

The 1930s may be described as a period of flourishing for classical quantitative linguistics in Czechoslovakia. Despite the adversities of the war years this state continued up to the early fifties. In 1950 Trnka could outline his grand programme for structuralist quantitative linguistics in his lecture delivered at Palacký University in Olomouc, published a year later (Trnka 1951). His programme was in connection with the 6th International Linguistic Congress in Paris in 1948, at which Trnka was elected one of the nine-member committee for linguistic statistics which was established at the congress to promote quantitative research. As secretary of this committee he managed to publish a bibliography of quantitative linguistics. This bibliography K with Marcel Cohen’s introduction K is actually the first bibliography of quantitative linguistics (Trnka 1950a). It includes 235 items divided into ten sections. It is worth mentioning that among those who collaborated with Trnka on the bibliography was another member of the committee for quantitative linguistics, G. K. Zipf. It seems likely that both scholars knew each other personally at that time. The plans for another, more detailed edition of the quantitative linguistics bibliography, were never realized. In Czechoslovakia Prague structuralism was subdued as a direction with a non-

131 Marxist orientation and linguistic interests turned elsewhere. The revival of quantitative linguistics occurred in the 1960s. The discipline was, at least at the beginning, marked by great diversification in terms of generations, approaches, subjects, methods (“technologies”), and application. A new programme, becoming ever more distinctly interdisciplinary, was in the complex process of crystallization, and quantitative linguistics was finding its place, not without difficulties sometimes, among various other new directions in linguistics. The period was characterized, on the one hand, by important conceptual and publication achievements, on the other hand by some adverse personal aspects, especially the departure of some linguists from the domestic linguistic scene for abroad, or from linguistics as such. The major event of the early sixties was the publication of the first large frequency dictionary of Czech by Jelínek, Bečka, and Těšitelová (1961), compiled from a corpus of 1,623,527 words, in which the frequency lists of words came down to r Z 10,000 and the alphabetical dictionary down to f Z 3. Data on the frequency of words, word classes and word forms contained in this dictionary and commented on in much detail functioned as quantitative norms for Czech. K In the 1960s studies appeared in the country inspired by Shannon’s study Prediction and Entropy of Printed English of 1951 (which was well-known through the Czech translation; cf. Doležel 1964). The studies investigated the value of entropy and redundancy for Czech as measures of functional load of linguistic elements (linguistic oppositions) and their systems, cf. for example, Doležel (1963), Komárek (1964), Doležel and Průcha (1966), Korvasová and Palek (1962), and others. In the same period there appeared “machines in linguistics” in Czechoslovakia K in the first stage there were punch-card machines which resulted in mechanical processing and automation of linguistic work and allowed the realization of an excellent lexicographic project which was fully up to the then world standards (Štindlová 1966; Štindlová 1968) and provided surprisingly fast results (Štindlová 1969). Notwithstanding the project was halted after several years and the mechanographical laboratory, established in the Institute for Czech Language of The Czechoslovak Academy of Sciences, was closed down. The mate-

132 rial contained in the four-volume Slovník spisovného jazyka českého [Dictionary of the Standard Czech Language] (1960K1971), which was compiled by the Lexicographic Department of the Institute and transferred into punch-card format in the mechanographical laboratory, is the basis of the one and only extant copy (a single “run-off”), printed on computer paper, still actively used today as a unique information source on Czech lexis, of a reverse entry list of this dictionary. Although the manuscript was ready for print, no viable opportunity has ever offered itself for the reverse dictionary to be published in book form. In 1961, quantitative linguistics achieved an institutional status in the Institute for Czech Language through the establishment of the Department for Mathematical Linguistics, whose staff included one to two mathematicians in addition to linguists. During the twenty-five years of its existence the team has made a highly detailed quantitative description of present-day standard Czech in both its written and spoken variety at all levels of linguistic description. The complex of quantitative characteristics contained the characteristics of the Czech phonemes (the frequency of phones and phoneme types, the combinatorial properties of phonemes, statistical characteristics of syllables), graphemes (the frequency of graphemes, their combinatorial properties), the structure of the Czech vocabulary according to the frequency zones of words, the characteristics of each word class, in the inflected words class the very detailed description of their specific morphological features. It also contained the characteristics of the simple sentence (the frequency of the syntactic functions of the word classes, the frequency of the clause elements, the frequency of the basic clause patterns, word-order and sentence-length characteristics), and those of the complex/compound sentence (the frequency of complex/compound-sentence types, the frequency of dependent clauses, connectives, etc.). The quantitative description was based on an original, tailor-made corpus of texts comprised of a total of 540,000 words. The value and uniqueness of this corpus, which represents the standard Czech of the 1970s, is in that each word was (manually) provided with detailed wordclass, morphological and syntactic information. The corpus has its value and uses even today. It is used at several academic and uni-

I. Allgemeines / General

versity centres as a training corpus for the development of algorithms for the automatic analysis of Czech, algorithms for the recognition of consecutive speech and for other types of quantitative research on Czech. The most important results of the quarter-of-acentury-long work were summarized in a monograph by Těšitelová (1985a), in a rich series of internal team-work prints published by the Institute for Czech Language (Těšitelová 1980a; 1980b; 1982; 1983a; 1983b; 1983c; 1983d; 1983e; 1984; 1985b), in dozens of articles more or less regularly appearing in the ten volumes of the periodical collections of papers Prague Studies in Mathematical Linguistics (Academia, Praha, 1966K1990), and elsewhere. The core of the team (which has naturally changed somewhat during the years) included for many years Jan Králík, specializing in the quantitative properties of the Czech graphemes, Marie Ludvíková, concerned with phonologically and in part morphological studies, and Iva Nebeská and Ludmila Uhlířová, concentrating on the features of the syntactic level. Těšitelová described especially the quantitative characteristics of the vocabulary and partially morphology. The abovementioned 1985 monograph, which still serves as a valuable source of information on Czech, preceded by one year the publication of the three-volume Mluvnice češtiny [Czech Grammar] (1986K1987), of which it was originally supposed to be the Appendix. This could not happen, however, for the two were not sufficiently methodologically compatible. The former was based on the traditional approaches to morphology and syntax, while Mluvnice češtiny consistently used an advanced valency-based approach to sentence syntax, text syntax, etc. The first volumes of the series Prague Studies in Mathematical Linguistics thematically and methodologically signalled their allegiance both to the work of Mathesius, Trnka, and Vachek (cf. Trnka 1966; Trnka 1972), and to the methodological results of contemporary mathematical linguistics in the world, especially in the Soviet Union and the U.S.A. It was meant to parallel the then renewed series Travaux linguistiques de Prague and, at least at the beginning, was to provide a publishing opportunity for particularly the young generation of linguists. Whereas Travaux linguistiques de Prague produced only four volumes K with long delays between issues (during 1964K1971); the renewed se-

8. Quantitative linguistics in the Czech Republic

ries under the modified title Prague Linguistic Circle Papers began to be published only since 1995, the Prague Studies in Mathematical Linguistics series achieved ten volumes (published between 1966 and 1990). The volumes carried a regular section on quantitative linguistics and a section on algebraic linguistics, and brought together original Czech and Slovak studies in the respective fields. In addition to papers authored by the above-mentioned team from the Institute for Czech Language, the quantitative linguistics section also featured studies by other Czech and Slovak quantitative linguists. Since the 1960s quantitative methods as a heuristic method in linguistics have not been confined to the determination of frequency counts only, but have included the application of more complex mathematical procedures and techniques, such as Wrocław taxonomy (Kraus/Vašák, 1967) and factor analysis (Kraus/Polák, 1967). The sphere of application broadened (including the glottochronology of the Slavonic languages K Čejka 1972); the quantitative analysis of the rhythmic and intonation properties of the sentence (Palková 1974) achieved new levels, while the “classical” areas of application, such as analyses for the purposes of shorthand application (Matula/Čáp/Petrásek 1961; Matula 1963), continued to be researched as well. The issues that were explored included the statistical representativeness of data samples, types of selection and selection methods (Königová 1976). Some also stressed the fundamental requirement that the empirically ascertained rules be derived by mathematical procedures on the basis of hypotheses about language and thus explained i. e. by becoming integrated in the system of our knowledge about language (Novák 1964, 131). The introduction of this requirement into the practice of quantitative linguistics, however, proceeded rather slowly, and only in the works of Hřebíček (1992; 1995; 1997) and Králík (1993; 1994; 1997) was it being applied in all respects. The other language apart from Czech which was studied most consistently from the quantitative aspects was English, especially in the work of Vachek’s student, the Brno anglicist Firbas, and later in the work of Firbas’ own students (cf. Svoboda 1981). Firbas consistently applied the idea of the Prague School that quantitative analysis is an indispensable complement of qualitative

133 analysis. Although he never considered himself a quantitative linguist, he used data on absolute and relative frequencies as one of the arguments for qualitative analysis and in this sense was a consistent promoter of the traditions of quantitative linguistics as it was understood in the classical period of the Prague School. Firbas became known worldwide through his functional sentence perspective (for summarization of the theory cf. Firbas 1992). His articles (cf. Firbas 1989; Firbas 1995; and others) provide data on the frequency of thematic and rhematic elements in texts, on different kinds of themes and rhemes, their degrees of communicative dynamism, their position (word and sentence order), intonation properties, the ways of their syntactic realization, the properties of thematic and rhematic series, etc., in English (old and modern) compared with Czech, German, Russian, and other languages. In the 1980s, quantitative linguistics, a predominantly descriptive discipline, by adopting probability models as a fundamental instrument for the investigation of quantitative linguistic phenomena, moved closer to theoretical linguistics. The mathematician Králík was the first in the Czech Republic to have defended his thesis Pravděpodobnostní modely v kvantitativní lingvistice [Probability Models in Quantitative Linguistics] (Králík 1994) and become a PhD in philological sciences, in the specialization mathematical linguistics. He has published a number of papers in this field (cf. Králík 1993; Králík 1997). The orientalist and textologist Hřebíček developed his original quantitative theory of text as a testable theory of text properties. The main tested hypothesis (law) on which Hřebíček focused was the Menzerath-Altmann law (“the longer the language construct, the shorter its constituents”). The consistent application of the Menzerath-Altmann law led Hřebíček to the discovery of a new text level, which was called aggregates, whose properties area are also in correspondence with this law. The aggregate is defined as a set of sentences in text in which a certain word (lexical unit) occurs. Hřebíček summarized his experiments with texts, mostly in Turkish, in his three monographs (Hřebíček 1992; 1995; 1997) and many articles. Philosophically he has become an advocate of synergetic linguistics (cf. art. No. 53). K Some of the individual linguistic projects made by Uhlířová in the 1980s and 1990s came into being in association, sometimes

134

I. Allgemeines / General Reinhard Köhler/Burghard B. Rieger). Dordrecht: Kluwer Academic Publishers, 227K240.

close, sometimes loose, with international typological quantitative projects (word order, word length, sentence length, correlation between sentence length, linearity, and semantics, cf. Uhlířová 1996; Uhlířová 1997).

Králík, Jan (1994), Pravděpodobnostní modely v kvantitativní lingvistice [Probability Models in Quantitative Linguistics]. Praha: manuscript.

3.

Králík, Jan (1997), A short comment on probability in quantitative linguistics. In: Journal of Quantitative Linguistics 4 (1K3), 126K130.

Literature (a selection)

Čejka, Mirek (1972), Lexicostatistic dating and Slavonic languages. In: Sborník prací Filozofické fakulty brněnské university, 39K52. Doležel, Lubomír (ed.), Teorie informace a jazykověda [Information Theory and Linguistics]. Praha: Academia, 1964. Doležel, Lubomír (1963), Předběžný odhad entropie a redundance psané češtiny [Preliminary Assessment of Entropy and Redudancy in Written Czech]. In: Slovo a slovesnost 24, 165K174.

Krámský, Jiří (1939), A study in the phonology of Modern Persian. In: Archiv orientální 11, 66K83. Krámský, Jiří (1942), Příspěvek k fonologické statistice staré a nové angličtiny [A Contribution to Phonological Statistics in Old and Modern English]. In: Časopis pro moderní filologii 28, 376K 384. Krámský, Jiří (1948), A Phonological analysis of Persian monosyllables. In: Archiv orientální 16, 103K134.

Doležel, Lubomír/Průcha, Jan (1966), A statistical law of grapheme combinations. In: Prague Studies in Mathematical Linguistics 1, 33K43.

Krámský, Jiří (1964), A quantitative phonemic analysis of Italian mono-, di- and trisyllabic words. In: Travaux linguistiques de Prague 1, 129K144.

Firbas, Jan (1989), Degrees of communicative dynamism and degrees of prosodic prominence. In: Brno Studies in English 18, 21K66.

Krámský, Jiří (1966), The frequency of occurrence of vowel phonemes in languages possessing vowel systems of identical structure. In: Prague Studies in Mathematical Linguistics 1, 17K31.

Firbas, Jan (1992), Functional sentence perspective in written and spoken communication. Cambridge: Cambridge University Press. Firbas, Jan (1995), Retrievability span in functional sentence perspective. In: Brno Studies in English 21, 17K45. Hřebíček, Luděk (1992), Text in communication: Supra-sentence structures. Bochum: Brockmeyer. Hřebíček, Luděk (1995), Text levels. language constructs, constituents and the Menzerath-Altmann law. Trier: WVT. Hřebíček, Luděk (1997), Lectures on text theory. Prague: Oriental Institute. Jakobson, Roman (1995), Poetická funkce [Poetic Function]. Praha: H & H. Jelínek, J./Bečka, J. V./Těšitelová, M. (1961), Frekvence slov, slovních druhů a tvarů v českém jazyce [Frequency Count of Words, Word Classes and Forms in the Czech Language]. Praha: Státní pedagogické nakladatelství. Komárek, Miroslav (1964), Sur l’appréciation fonctionelle des alternances morphonologiques. In: Travaux linguistiques de Prague 1, 145K161. Königová, Marie (1976), The scaling technique applied to text description. In: Prague Studies in Mathematical Linguistics 5, 211K221. Korvasová, Květa/Palek, Bohumil (1962), Některé vlastnosti entropie českého slovníku [Some Properties of Entropy in Czech Lexis]. In: Slovo a slovesnost 23, 58K66. Králík, Jan (1993), Probabilistic Scaling of Texts. In: Contributions to Quantitative Linguistics (ed.

Krámský, Jiří (1978), Quantitative analysis of near-identical phonological systems. In: Prague Studies in Mathematical Linguistics 6, 9K38. Krámský, Jiří (1990), Quantitative investigation of relative pronouns in modern English. In: Prague Studies in Mathematical Linguistics 10, 95K106. Kraus, Jiří/Polák, J. (1967), Text factors and characteristics. In: Prague Studies in Mathematical Linguistics 2, 155K171. Kraus, Jiří/Vašák, Pavel (1967), Popytka količestvennoj tipologii tekstov [An Attempt at Quantitative Typology of Texts]. In: Prague Studies in Mathematical Linguistics 2, 77K88. Mathesius, Vilém (1964a), La structure phonologique du lexique du tchèque moderne. In: Vachek 1964, 177K182 (Z Travaux du Circle linguistique de Prague 1, 1929, 67K84). Mathesius, Vilém (1964b), Zum Problem der Belastungs- und Kombinationsfähigkeit der Phoneme. In: Vachek 1964, 156K176. Matula, Miloš (1963), Frekvence kořenů slov [Frequency of Word Roots]. Praha: Státni pedagogocké nakladatelství. Matula, M./Čáp, J./Petrásek, S. (1961), Frekvence slov v stenografické praxi [Word Frequency in Shorthand Practice]. Praha: Státní ústav těsnopisný. Novák, Pavel (1964), Význam kvantitativních metod pro lingvistiku [Relevance of Quantitative Methods for Linguistics]. In: Cesty moderní jazykovědy, 126K133.

8. Quantitative linguistics in the Czech Republic Palková, Zdena (1974), Rytmická výstavba prozaického textu [The Rhythmic Structure of Prose Text]. Praha: Academia. Svoboda, Aleš (1981), Diatheme. Brno: Univerzita J. E. Purkyně. Štindlová, Jitka (1966), Problemes, plans et possibilités actuelles de la mécanisation et de l’automatisation dans la linguistique. In: Computational Linguistics 5, 149K157. Štindlová, Jitka (1968), Le dictionnaire de la langue tche`que littéraire et l’inscription de ses entrées et leurs caractéristique sur les cartes et la bande perforées pour les machines à traiter les informations. In: Les machines dans la linguistique. (ed. J. Štindlová). Praha: Academia. Štindlová, Jitka (1969), Konkordanční frekvenční index k Slezským písním Petra Bezruče [Frequency Concordance Index to The Silesian Songs by Petr Bezruč]. Praha et.al.: Mechanografická laboratoř ÚJČ ČSAV. Těšitelová, Marie (ed.), Frekvenční slovník současné české publicistiky [Frequency List of PresentDay Czech Journalism]. Praha: ÚJČ ČSAV, 1980a. Těšitelová, Marie (ed.), Frekvenční slovník současné české administrativy [Frequency List of PresentDay Czech Administration]. Praha: ÚJČ ČSAV, 1980b. Těšitelová, Marie (ed.), Kvantitativní charakteristiky současné české publicistiky [Quantitative Characteristics of Present-Day Czech Journalism]. Praha: ÚJČ ČSAV, 1982. Těšitelová, Marie (ed.), Kvantitativní charakteristiky současné odborné češtiny [Quantitative Characteristics of Present-Day Technical Czech Language]. Praha: ÚJČ ČSAV, 1983a. Těšitelová, Marie (ed.), Kvantitativní charakteristiky gramatických jevů v současné administrativě [Quantitative Characteristics of Grammatical Features in the Present-Day Language of Administration]. Praha: ÚJČ ČSAV, 1983b. Těšitelová, Marie (ed.), Psaná a mluvená odborná čeština z kvantitativního hlediska [Written and Spoken Technical Czech from a Quantitative Point of View]. Praha: ÚJČ ČSAV, 1983c. Těšitelová, Marie (ed.), Frekvenční slovník současné odborné češtiny [Frequency List of PresentDay Technical Czech]. Praha: ÚJČ ČSAV, 1983d. Těšitelová, Marie (ed.), Frekvenční slovník jazyka věcného stylu [Frequency List of Contemporary Workaday Technical Czech]. Praha: ÚJČ ČSAV, 1983e. Těšitelová, Marie (ed.), Kvantitativní charakteristiky gramatických jevů v češtině věcného stylu [Quantitative Characteristics of Grammatical Features in Workaday Technical Czech]. Praha: ÚJČ ČSAV, 1984. Těšitelová, Marie (ed.), Kvantitativní charakteristiky současné spisovné češtiny [Quantitative Char-

135 acteristics of Present-Day Standard Czech]. Praha: Academia. Těšitelová, Marie (ed.), Současná česká administrativa z hlediska kvantitativního [Present-Day Czech language of Administration from a Quantitative Point of View]. Praha: ÚJČ ČSAV, 1985b. Těšitelová, M./Petr, J./Králík, J. (1986), Retrográdní slovník současné češtiny [Reverse Dictionary of Present-Day Czech]. Praha: Academia. Theses présentées au Premier Congrès des philologues slaves. In: Vachek 1964, 33K58. Trnka, Bohumil (1935), A Phonological Analysis of Present-Day Standard English. Praha: Universita Karlova. Trnka, Bohumil (1937), Pokus o vědeckou teorii a praktickou reformu těsnopisu [An Essay in the Scientific Theory and a Pratical Reform of Shorthand]. Praha: Filosofická fakulta University Karlovy. Trnka, Bohumil (1950a), A Tentative Bibliography. Utrecht et al.: Publication of the Committee of Linguistic Statistics. Trnka, Bohumil (1950b), Review of: G. K. Zipf, The psychobiology of language; Human behavior and the principle of least effort. In: Časopis pro moderní filologii 33, 3K5. Trnka, Bohumil (1951), Kvantitativní lingvistika [Quantiative Linguistics]. In: Časopis pro moderní filologii 34, 66K74. Trnka Bohumil (1964), General laws of phonemic combinations. In: Vachek 1964, 294K300. Trnka Bohumil (1966), The distribution of vowel length and its frequency in Czech. In: Prague Studies in Mathematical Linguistics 1, 11K16. Trnka, Bohumil (1972), On the frequency and distribution of consonant clusters in Czech. In: Prague Studies in Mathematical Linguistics 3, 9K 14. Trnka, Bohumil (1982), Selected papers in structural linguistics. (ed. V. Fried.). Berlin: Mouton. Uhlířová, Ludmila (1996), How long are words in Czech? In: Glottometrika 15, (ed. P. Schmidt), 134K146. Uhlířová, Ludmila (1997), Length vs. order: Word length and clause length from the perspective of word order. In: Journal of Quantitative Linguistics 4 (1K3), 266K275. Uhlířová, Ludmila (2000), On language modelling in a speech recognition project. In: Forum Phoneticum 70, 177K186. Vachek, Josef (1940), Poznámky k fonologii českého lexika [Notes on the Phonology of Czech Lexis]. In: Listy filologické 67, 395K402. Vachek, Josef (ed.), A Prague Reader in Linguistics. Bloomington: Indiana University Press, 1964.

Ludmila Uhlířová, Prague (Czech Republic)

136

I. Allgemeines / General

9. Quantitative linguistics in Greece 1. 2. 3. 4. 5. 6. 7. 8.

Introduction Phonetics K Phonology Syntax Sociolinguistics Psycholinguistics Language acquisition and learning Natural Language Processing Literature (a selection)

1.

Introduction

The use of quantitative methods in Modern Greek linguistics started mainly in the eighties. Previously, there were only sporadic instances of quantitative research primarily of a descriptive nature. At present, Quantitative Linguistics (QL) is not considered in Greece as a separate branch of Linguistics. However, a number of interdisciplinary fields have initiated to take advantage of the insight that statistical methods can provide to the study of the language structure. Furthermore, the first postgraduate program employing QL courses, named Technoglossia was launched recently in Greece (1999). A number of postgraduate theses in QL have already been concluded (cf. Grousouzakou/ Grousouzakou/Prinou 2000; Bekiari/Papavasileiou/Pasxalis 2001), whereas many more are expected in the near future. The expanded use of quantitative methods is mainly related to the growing availability of Modern Greek linguistic resources and to the increased acknowledgement of the usefulness of data-driven approaches to linguistics. A fairly representative picture of the development of QL in Greece is given in the following chart:

Percentage of published Greek linguistic research

Cont rastive increase of published QL research in Greece 50 40

% Use of quantitative information

30

% Use of inferential statistics

20 10 0 19801985

19851990

19901995

19952000

Years

Fig. 9.1: Contrastive evolution of QL research in Greece. The use of inferential statistics is calculated as a percentage of the number of the papers that employ quantitative information.

Based on a sample of 975 published papers on Greek linguistics, this chart reveals a steady increase of research based on quantitative data during the last decade. It is also evident that the use of inferential statistical methods is gaining importance in quantitative methodology, thus denoting that the simple percentage reporting is superseded by a more sophisticated hypothesis testing. In this overview we have predefined some criteria regarding the research reported as relevant to QL. Since a report of all the research based on Greek empirical data would be beyond the scope of this presentation, we decided to summarize published research that has employed inferential statistical tests. Our presentation will sketch the Greek linguistic research that has successfully employed statistical methods during the last 20 years in the investigation of a variety of issues regarding Modern Greek.

2.

Phonetics K Phonology

Greek phonetic studies rely heavily on quantitative methods of analysis following a world-wide trend (Saukkonen 1994, 2). Panagopoulos (1974), in one of the first acoustical analyses of Greek phonetic data employed a variety of univariate statistical tests in order to compare electromyographic (EMG) and intraoral air pressure data for English and Greek plosives. He used different correlation indices (Pearson r, Spearman rank correlation coefficient rs) in order to investigate the correlation between peak intraoral air pressure and peak EMG amplitude. Furthermore, he used tests of difference of means (t-test, Mann-Whitney test) in order to confirm hypotheses regarding the EMG data. The same battery of statistical tests was used in a comparison of bilabial nasals in English and Greek (Panagopoulos 1976). In a study of the effect of various syntactic boundaries on the duration of the last syllable of a word Michalakopoulou (1993) applied a t-test in order to determine whether there exists a statistically significant difference between the final syllables of various syntactical categories. The same test was also deployed be Botinis (1989) and Georgountzou (1993) in production and perception experiments of stress and prosody of Modern Greek. Arvaniti (1992) used t-tests

137

9. Quantitative linguistics in Greece

for the analysis of acoustic measurements and χ2 tests for the perceptual experiments. Multivariate statistics have been introduced in Modern Greek phonetic research mainly since the mid eighties. Fourakis (1986) used ANOVA in order to study the effects of tempo and stress in segmental durations. In a more recent publication, Hawks/ Fourakis (1995) and Jongman/Fourakis/Sereno (1995) used Cohen’s Kappa (κ) index to test differences in vowel perception agreement between EnglishKGreek and GermanKGreek speakers respectively. Arvaniti (1991) used ANOVA in a series of experiments regarding the durational and amplitude characteristics of stressed and unstressed syllables. The same test was used for the analysis of stress acoustic characteristics (Arvaniti 1992; 1994). Arvaniti/Ladd/ Mennen (1998; 2000) have also used ANOVA with post hoc tests in various acoustic analyses of Modern Greek intonation. ANOVA has also been used by Nicolaidis (1993; 1997; 1999) in research regarding analysis of Electropalatography (EPG) data. Fallon (1993) examined hiatus across word boundaries and the application of a specific Vowel Degemination rule in these environments (Nespor 1987). He used logistic regression (Variable Rule analysis) in order to detect the factors that have statistically significant contribution to the application of the Vowel Degemination rule. Mikros/Gavriilidou/Lambropoulou et al. (1996) examined the distribution of specific consonant clusters in Modern Greek texts and investigated their correlation with text type and genre, using Cramer V correlation index. Mikros/Carayannis (forthcoming) apply logistic regression in order to detect the factors that are related to the final -n deletion in specific proclitic words.

3.

Syntax

Lascaratou (1984) in a corpus-based study attempts to account for the use and function of the passive mood in Modern Greek. She applied a series of χ2 tests in order to investigate the effect of different independent variables (text type, language variety etc.) on the type of voice used in Modern Greek texts. Hudson (1994) also used χ2 tests in quantitative data of word class, word order and syntactic complexity in order to prove the usefulness of statistical estimation in the

study of syntactical phenomena. The same test was also used by Lindvall (1997), who examined the correlation between aspect and definiteness in a corpus of written literary texts.

4.

Sociolinguistics

Sociolinguistic research, especially within the Labovian tradition, has always been an early adopter of various statistical techniques. This was mainly due to the multivariate nature of the sociolinguistic data themselves, which most times contain many linguistic and extralinguistic variables with numerical and categorical data. Greek sociolinguistic research in its vast majority has successfully employed a broad spectrum of statistical methods with interesting results regarding the interaction of social and linguistic factors in everyday communication. Pavlidou (1991) used ANOVA to compare cultural differences of Greek and German speakers in telephone behavior. The same test was used in order to investigate the influence of age and sex of the students on verbal initiative in classroom discourse (Pavlidou 1999). Iordanidou (1996) also employed ANOVA to compare the lexical richness of the oral communication of school children from various social backgrounds. Arvaniti (1995) used MANOVA in order to investigate patterns of phonetic variation in Modern Greek and uncover the extra-linguistic variables that condition it. Furthermore, Georgakopoulou (1995; 1997) analyzed a spoken corpus of Modern Greek story-telling. She used t-tests and ANOVA in order to investigate the effect of certain contextual features (e. g. teller’s gender, addressee’s age, topic etc.) on the selection and the frequency of specific textual features, such as types of evaluative devices, segmentation devices, tense shifts, connectives, participant forms etc. Linguistic data derived from local social networks in various locations in Greece have also been analyzed with various multivariate statistical methods. Pagoni (1990) performed cluster analysis in order to classify the speakers of an urban social network according to their resemblance in the usage of specific linguistic variables. Mikros (1995) used ANOVA and Φ correlation index in order to investigate the contribution of social network structure and other extra- and in-

138

I. Allgemeines / General

tra-linguistic variables on Modern Greek speech variation. In another study Mikros (1997) used linear regression and ANOVA in order to detect the independent variables related with speech variation in radio news bulletins in Greece. In Mikros (1999) a variety of multivariate statistics (ANOVA, logistic regression, discriminant function analysis) have been employed to analyze the factors affecting the usage of several linguistic variables in a close family network. Multidimensional scaling was applied in the same data set and proposed as a new way of displaying and analyzing social network language variation data (Mikros 2001). Papazachariou (1998) used Factor Analysis in order to explore the different distribution of social activities between adolescent boys and girls in a restricted linguistic community. In the same research, he employed linear regression to investigate the factors which influence intonational variation. He also used ANOVA with Duncan’s post hoc comparison tests in order to detect the close networks that presented statistically significant differences regarding the intonational variation of their speakers.

5.

Psycholinguistics

Panagopoulos (1982) evaluated different perception theories by presenting different word stimuli to a panel of hearers. He confirmed his research hypotheses using the sign test. Kambakis-Vougiouklis (1992) used ANOVA in order to investigate the mechanisms of inference of the hearer in word recognition tasks. In another perceptual study regarding the processing of morphologically complex words Dalakakis/Kehayia/Tsapkini (1999) used a t-test in order to test whether the reaction times were significantly higher when a diminutive instead of a simple word was presented to the subjects. The same test in combination with a correlation test (Pearson r) was used by Maratsos/Katis (1999) to confirm the validity of the linguistic relativity hypothesis and particularly the relation between grammatical patterning and conceptual understanding. Papadopoulou (1999) used ANOVA to investigate the factors affecting processing time of syntactically ambiguous sentences.

6.

Language acquisition and learning

Modern Greek language acquisition and learning research employs statistical analy-

ses of the research data to a considerable extent. Natsopoulos/Panagopoulou (1984) investigated the acquisition of verbal aspect by foreigners in dependent clauses and compared the results with data from native speakers. They applied ANOVA with Scheffe post hoc test in order to examine the effects of a series of independent variables in the learning rate. ANOVA has also been used in research regarding learning of English by Greek students (Scholfield 1991) as well as in the error analysis of data related to the acquisition of case marking in Modern Greek as a second language (Magana 1999). Gagatsis (1986) introduced the closure test for Modern Greek and evaluated its results in different testing conditions using the Pearson r correlation index. Research on child talk has also utilized various quantitative methods. Diakogiorgi (1998) has used ANOVA to compare grammaticality judgments of children. Stavrakaki/ Tsimpli (1999) used z test in order to analyze data from children with dysphasic language impairment. Hatzisavidis (1993) used correlation tests and Factor Analysis in order to investigate the socioeconomic and individual factors that influence the linguistic competence of school children.

7.

Natural Language Processing

A number of statistical measures have been used and compared in automatic Greek term extraction (mutual information, frequency of occurrence, cost-criteria, C-value) by Frantzi/Ananiadou (1996; 1998). Boutsis/ Piperidis (1997) also used statistical information in order to automatically extract bilingual word equivalences. Papageorgiou/Piperidis (1996) discuss some properties of stochastic approaches (Hidden Markov Models K HMM) to part-of-speech tagging. HMMs are also used for the automatic phonetic transcription of Modern Greek texts (Rentzeropoulos/Dermatas/Sgarbas et al. 1999). Parallel processing is another area where statistical techniques have been extensively applied and adapted to the Greek language. In particular, alignment methodologies based on statistical information have shown remarkably good performance (Papageorgiou/Cranias/Piperidis 1994). Moreover, a lot of research is being carried out on extracting equivalencies between lexical units such as words, terminological units (Boutsis/

9. Quantitative linguistics in Greece

Piperidis/Demiros 1999; Georgantopoulos/ Piperidis 1998) and clauses (Boutsis/Piperidis 1998) from aligned texts. This kind of statistical information is being exploited in the framework of example-based Machine Translation and translation aid tools (Piperidis/Carayannis 1994; Cranias/Papageorgiou/ Piperidis 1994; Piperidis/Malavazos/Triantafyllou 1998). Significant research has also been conducted in the field of automatic text categorization. Mikros/Carayannis (2000) propose a method based on discriminant function analysis in order to classify news texts in predefined thematic categories. For the same task, Tambouratzis/Markantonatou/Xairetakis et al. (2000) used cluster analysis with comparable results. Summarizing this brief overview of quantitative research in Modern Greek language we should underline the importance of the availability of the first general language corpus in Modern Greek called Hellenic National Corpus (HNC) developed by the Institute for Language and Speech Processing (ILSP). Its current size is 30 Mwords of various written texts across a broad spectrum of genre, medium and thematic categories. This corpus has already been used in order to study issues of major importance in QL such as the Zipf law (cf. Hatzigeorgiu/Mikros/ Carayannis 2001) as well as quantitative issues of representativity in corpus design (Mikros 2002). Its availability will boost quantitative research in Modern Greek language and establish QL as a major discipline in the Greek linguistic community.

8.

Literature (a selection)

Arvaniti, Amalia (1991), The phonetics of Modern Greek rhythm and its phonological implications. Unpublished Ph.D. dissertation, University of Cambridge. Arvaniti, Amalia (1992), Secondary stress: evidence from Modern Greek. In: Papers in laboratory phonology II: Gesture, segment, prosody. (eds. G. D. Docherty/D. R. Ladd). Cambridge: Cambridge University Press, 398K423. Arvaniti, Amalia (1994), Acoustic features of Greek rhythmic structure. In: Journal of Phonetics 22, 239K268. Arvaniti, Amalia (1995), Sociolinguistic patterns of prenasalization in Modern Greek. In: Studies in Greek Linguistics, Proceedings of the 15 th Annual Meeting of the Department of Linguistics. Faculty of Philosophy, Aristotle University of Thessaloniki, Thessaloniki, 209K220.

139 Arvaniti, Amalia/Ladd, D. Robert/Mennen, Ineke (1998), Stability of tonal alignment: the case of Greek prenuclear accents. In: Journal of Phonetics 26, 3K25. Arvaniti, Amalia/Ladd, D. Robert/Mennen, Ineke (2000), What is starred tone? Evidence from Greek. In: Papers in laboratory phonology V. (Eds. J. Pierrehumbert/M. Broe). Cambridge: Cambridge University Press, 119K131. Bekiari, Xara/Papavasileiou, Basilis/Pasxalis, S. (2001), Στατιστικ προσ γγιση του λογοτεχνικο φους µε εφαρµογ ς στον εντοπισµ γνωστου συγγραφ α. [Statistical approach of the literary style. Application to authorship attribution]. Ma dissertation, Interdisciplinary Postgraduate Program Technoglossia, Athens. Botinis, Antonis (1989), Stress and prosodic structure in Greek. A phonological, acoustic, physiological and perceptual study. Lund: Lund University Press. Boutsis, Sotiris/Piperidis, Stelios (1997), Αυτµατη εξαγωγ δγλωσσων λεκτικ ν ισοδυναµι ν απ σ µατα κειµ νων. [Automatic extraction of bilingual word equivalences from parallel corpora]. In: Studies in Greek Linguistics, Proceedings of the 17 th Annual Meeting of the Department of Linguistics. Faculty of Philosophy, Aristotle University of Thessaloniki, Thessaloniki, 521K531. Boutsis Sotiris/Piperidis Stelios (1998), Aligning Clauses in Parallel Texts. In: Third Conference on Empirical Methods in Natural Language Processing. Granada, Spain, 17K26. Boutsis, Sotiris/Piperidis, Stelios/Demiros, Iason (1999), Generating Bilingual Lexical Equivalences from texts. In: Applied Artificial Inteligence 13(6), 583K606. Cranias, Lambios/Papageorgiou, Harris/Piperidis, Stelios (1994), A Matching technique in ExampleBased Machine Translation. In: Proceedings of the Fifteenth International Conference on Computational Linguistics. Kyoto, Japan, 100K104. Dalakakis, Jenny/Kehayia, Eva/Tsapkini, Kvrana (1999), Constraints on morphological decomposition: Evidence from Greek diminutives. In: Greek Linguistics ’97, Proceedings of the 3 rd International Conference on Greek language. Athens, 789K798. Diakogiorgi, Kleopatra (1998), Ανπτυξη των µεταγλωσσικ ν ικανοττων και επεξεργασα της πρτασης ‘on-line’. [Development of metalinguistic skills and ‘on-line’ sentence processing]. In: Studies in Greek Linguistics, Proceedings of the 18 th Annual Meeting of the Department of Linguistics. Faculty of Philosophy, Aristotle University of Thessaloniki, Thessaloniki, 167K172. Fallon, Paul (1993), Naturally occurring hiatus in Modern Greek. In: Themes in Greek Linguistics. (eds. I. Philippaki-Warburton/K. Nikolaidis/M. Sifianou). Amsterdam: John Benjamins, 217K224.

140 Fourakis, Marios (1986), An acoustic study of the effects of tempo and stress on segmental intervals in Modern Greek. In: Phonetica 43, 172K188. Frantzi, Katarina/Ananiadou, Sophia (1996), Statistical approaches to collocation extraction and term recognition. In: Studies in Greek Linguistics, Proceedings of the 16 th Annual Meeting of the Department of Linguistics. Faculty of Philosophy, Aristotle University of Thessaloniki, Thessaloniki, 681K692. Frantzi, Katarina/Ananiadou, Sophia (1998), Context information for the extraction of terms. In: Studies in Greek Linguistics, Proceedings of the 18 th Annual Meeting of the Department of Linguistics. Faculty of Philosophy, Aristotle University of Thessaloniki, Thessaloniki, 198K210. Gagatsis, Athanassios (1986), Εφαρµογ του τεστ ‘closure’ σε ελληνικ κεµενα. [Application of closure test in Greek texts]. In: Studies in Greek Linguistics, Proceedings of the 7 th Annual Meeting of the Department of Linguistics. Faculty of Philosophy, Aristotle University of Thessaloniki, Thessaloniki, 337K353. Georgakopoulou, Alexandra (1995), Narrative organization and contextual constraints: the case of Modern Greek storytelling. In: Journal of Narrative & Life History 5, 161K189. Georgakopoulou, Alexandra (1997), Narrative Performances: A Study of Modern Greek Storytelling. Amsterdam/Philadelphia: Benjamins. Georgantopoulos, Byron/Piperidis, Stelios (1998), Automatic Acquisition of terminological resources for Information extraction Applications. In: Panhellenic Conference on New Information Technology. Athens. Georgountzou, Anastasia (1993), A comparison of the intonation of Modern Greek and English with special reference to Greek learners of English. Unpublished Ph.D. dissertation, University College of London. Grousouzakou, Dimitra/Grousouzakou, Efrosini/ Prinou, Eirini (2000), Αξιοποηση της γλωσσικς ποικιλας για την αυτ µατη ταξιν µηση κειµ νου. [Exploitation of language variation in automatic text categorization]. Ma dissertation, Interdisciplinary Postgraduate Program Technoglossia, Athens. Hatzigeorgiu, Nikos/Mikros, George/Carayannis, George (2001). Word length, word frequencies and Zipf’s law in the Greek language. In: Journal of Quantitative Linguistics 8, 175K185. Hatzisavidis, Sofronis (1993), ∆ιερενηση παραγντων που επηρεζουν το βαθµ γλωσσικς επρκειας των µαθητ ν στο σχολικ περιβλλον: πρ τες εκτιµσεις απ µια ‘µελ τη περπτωσης’. [Investigation of factors that influence linguistic compentence of students in the school environment: first appraisal from a case study]. In: Studies in Greek Linguistics, Proceedings of the 14 th Annual Meeting of the Department of Linguis-

I. Allgemeines / General tics. Faculty of Philosophy, Aristotle University of Thessaloniki, Thessaloniki, 384K398. Hawks, John/Fourakis, Marios (1995), The perceptual vowel spaces of American English and Modern Greek: A comparison. In: Language and Speech 38, 237K252. Hudson, Richard (1994), Theoretical syntax meets word counters in Greek and English. In: Proceedings of the 8 th Symposium on the description and/ or comparison of English and Greek. Aristotle University, Thessaloniki, 1K18. Iordanidou, Anna (1996), Η ‘λεξιπενα’ των µαθητ ν: ερευνητικ προσ γγιση. [The lexical ‘poverty’ of the pupils: a research approach]. In: Studies in Greek Linguistics, Proceedings of the 16 th Annual Meeting of the Department of Linguistics. Faculty of Philosophy, Aristotle University of Thessaloniki, Thessaloniki, 517K528. Jongman, Allard/Fourakis, Marios/Sereno, Joan (1995), The acoustic vowel space of Modern Greek and German. In: Language and Speech 38, 221K248. KambakisKVougiouklis, P. (1992), Greek and English readers. Accuracy and confidence when inferencing meanings of unknown words. In: Proceedings of the 6 th Symposium on the description and/or comparison of English and Greek. Aristotle University, Thessaloniki, 89K111. Lascaratou, Chryssoula (1984), The passive voice in Modern Greek. Unpublished Ph.D. dissertation, University of Reading. Lindvall, Ann (1997), Aspect and definiteness K a study of Modern Greek. In: Greek Linguistics ’95, Proceedings of the 2 nd International Conference on Greek Linguistics. Vol. II. Salzburg, 545K555. Magana, Anastasia (1999), Η κατκτηση του πτωτικο χαρακτηρισµο της ΝΕ ως ξ νης γλ σσας. [The acquisition of the case characterization of Modern Greek as foreign language]. In: Studies in Greek Linguistics, Proceedings of the 19 th Annual Meeting of the Department of Linguistics. Faculty of Philosophy, Aristotle University of Thessaloniki, Thessaloniki, 189K198. Maratsos, Michael/Katis, Demetra (1999), Grammatical structure and conceptual understanding of experiencer K agency relations: An empirical investigation of English and Greek speakers. In: Greek Linguistics ’97, Proceedings of the 3 rd International Conference on the Greek language. Athens, 817K825. Michalacopoulou, Penelope (1993), H διρκεια της τελικς συλλαβς σε διφορα συντακτικ ρια. [The duration of the final syllable in different syntactic boundaries]. In: Μελ τες στην Ελληνικ Προσωδα. Unpublished ms., University of Athens, 49K60. Mikros, George (1995), Ο καννας του τελικο -ν: κοινωνιογλωσσολογικ και υφολογικ ποικιλτητα. [Final -n rule: sociolinguistic and stylistic

9. Quantitative linguistics in Greece variation]. In: Studies in Greek Linguistics, Proceedings of the 15 th Annual Meeting of the Department of Linguistics. Faculty of Philosophy, Aristotle University of Thessaloniki, Thessaloniki, 155K166. Mikros, George (1997), Radio news and phonetic variation in Modern Greek. In: Greek Linguistics ’95, Proceedings of the 2 nd International Conference on Greek Linguistics. Vol. I. Salzburg, 35K 44. Mikros, George (1999), Κοινωνιογλωσσολογικ προσ γγιση φωνολογικν προβληµτων της Ν ας Ελληνικς: Φωνητικ ποικιλα του ρρινου συµφνου. [Sociolinguistic approach of phonological problems of Modern Greek: Phonetic variation of the nasal consonant]. Unpublished Ph.D. dissertation, University of Athens. Mikros, George (2001), Ανλυση πολυδιστατης κλιµκωσης και φωνητικ ποικιλα στα Ν α Ελληνικ. [Multidimensional scaling and phonetic variation of Modern Greek]. In: Πρακτικ του 4ου ∆ιεθνος Συνεδρου Ελληνικς Γλωσσολογας. Θεσσαλονκη: University Studio Press, 416K423. Mikros, George (2002), Quantitative parameters in corpus design: Estimating the optimum textsize in Modern Greek language. In: Proceedings of the 3rd International Conference on Language Resources and Evaluation, Vol. 3. Las Palmas, 834K838. Mikros, George/Gavriilidou, Maria/Lambropoulou, Penny/Doukas, George (1996), Χθες  χτες; Μια ποσοτικ µελ τη φωνητικ ν και µορφολογικ ν στοιχεων σε κεµενα της Ν ας Ελληνικς. [Xthes or Xtes? A quantitative study of phonetic and morphological elements in Modern Greek texts]. In: Studies in Greek Linguistics, Proceedings of the 16 th Annual Meeting of the Department of Linguistics. Faculty of Philosophy, Aristotle University of Thessaloniki, Thessaloniki, 645K 656. Mikros, George/Carayannis, George (2000), Modern Greek corpus taxonomy. In: Proceedings of the 2nd International Conference on Language Resources and Evaluation, Vol. 1. Athens, 129K134. Mikros, George/Carayannis, George (forthcoming), Ποσοτικ ανλυση της χρσης του καννα του τελικο -ν σε κεµενα της Ν ας Ελληνικς. [Quantitative analysis of the final -n rule usage in texts of Modern Greek]. In: Glossologia. Natsopoulos, Demetrios/Panagopoulou, E. (1984), Η µθηση της ρηµατικς ψης της Ν ας Ελληνικς σε εξαρτηµ νες προτσεις απ ξενγλωσσους: εξελικτικ σγκριση προς τους φυσικος οµιλητ ς. [Modern Greek verbal aspect learning in dependent clauses from foreign speakers: comparison with the native speakers]. In: Studies in Greek Linguistics, Proceedings of the 5 th Annual Meeting of the Department of Linguistics. Faculty of Philosophy, Aristotle University of Thessaloniki, Thessaloniki, 185K200.

141 Nespor, Marina (1987), Vowel degemination and fast speech rules. In: Phonology Yearbook 4, 61K85. Nikolaidis, Katerina (1993), Vowel to Vowel coarticulatory effects in Greek. In: Proceedings of the 7 th Symposium on the description and/or comparison of English and Greek. Aristotle University, Thessaloniki, 239K254. Nikolaidis, Katerina (1997), Variability in vowelconsonant-vowel sequences in Greek: isolated words vs. connected speech. In: Greek Linguistics ’95, Proceedings of the 2 nd International Conference on Greek Linguistics. Vol. I. Salzburg, 45K 54. Nikolaidis, Katerina (1999), An electropalatographic study of Vowel-to-Consonant and Consonant-to-Vowel coarticulation. In: Greek Linguistics ’97, Proceedings of the 3 rd International Conference on Greek language. Athens, 400K408. Pagoni, Stamatoula (1990), Cluster analysis and social network structure: the Modern Greek evidence. In: Studies in Greek Linguistics, Proceedings of the 10 th Annual Meeting of the Department of Linguistics. Faculty of Philosophy, Aristotle University of Thessaloniki, Thessaloniki, 235K 253. Panagopoulos, E. (1974), A comparison of EMG and intraoral air pressure data for english and Greek plosives. In: The Faculty of Philosophy Yearbook. The University of Thessaloniki, Vol. 13, Thessaloniki. Panagopoulos, E. (1976), The bilabial nasal in English and Greek. In: The Faculty of Philosophy Yearbook. The University of Thessaloniki, Vol. 15, Thessaloniki. Panagopoulos, E. (1982), Experimental data on word recognition. In: Studies in Greek Linguistics, Proceedings of the 3 rd Annual Meeting of the Department of Linguistics. Faculty of Philosophy, Aristotle University of Thessaloniki, Thessaloniki, 219K226. Papadopoulou, Despina (1999), Πως φυσικο οµιλητ ς της ΝΕ ερµηνεουν συντακτικ αµφσηµες προτσεις: ενδεξεις απ αναφορικ ς προτσεις. In: Studies in Greek Linguistics, Proceedings of the 19 th Annual Meeting of the Department of Linguistics. Faculty of Philosophy, Aristotle University of Thessaloniki, Thessaloniki, 296K309. Papageorgiou, Harris/Piperidis, Stelios (1996), Στατιστικ, καννες,  στατιστικο καννες για µορφολογικ σχολιασµ; [Statistics, rules or statistical rules for tagging?]. In: Studies in Greek Linguistics, Proceedings of the 16 th Annual Meeting of the Department of Linguistics. Faculty of Philosophy, Aristotle University of Thessaloniki, Thessaloniki, 669K680. Papageorgiou, Harris/Cranias, Lambros/Piperidis, Stelios (1994), Automatic Alignment in Corpora. In: Proceedings of 32 nd Annual Meeting of Asso-

142

I. Allgemeines / General

ciation of Computational Linguistics. Las Cruses, New Mexico, 334K336. Papazachariou, Demetris (1998), Εθνογραφικς ορισµς του ρου ‘κοινωνικ φλο’ και η συσχ τισ του µε τη γλωσσικ ποικιλα των εφβων της Γουµ νισσας» [Ethnographic definition of the term ‘gender’ and its correlation with the language variation of the adolescents of Goumenissa]. In: Studies in Greek Linguistics, Proceedings of the 18 th Annual Meeting of the Department of Linguistics. Faculty of Philosophy, Aristotle University of Thessaloniki, Thessaloniki, 386K 400. Pavlidou, Theodossia (1991), Η ευγ νεια στο τηλ φωνο: αντιπαραθετικ ανλυση Ελληνικς K Γερµανικς. [Politeness in the phone: contrastive analysis of Modern Greek K German]. In: Studies in Greek Linguistics, Proceedings of the 11 th Annual Meeting of the Department of Linguistics. Faculty of Philosophy, Aristotle University of Thessaloniki, Thessaloniki, 307K326. Pavlidou, Teodossia (1999), Η γλωσσικ πρωτοβουλα στη σχολικ διεπδραση. [Verbal initiative in classroom interaction]. In: Greek Linguistics ’97, Proceedings of the 3 rd International Conference on Greek language. Athens, 648K655. Piperidis, Stelios/Carayannis, George (1994), Translearn: Interactive Corpus-based Translation Drafting Tool. In: Proceedings of the European Convention of Language Engineering. Paris, France, 105K112. Piperidis, Stelios/Malavazos, Christos/Triantafyllou, Ioannis (1998), TRAID: A Memory-based Translation Aid Framework. In: Proceedings of the Natural Language Processing and Industrial Applications Conference. Moncton, Canada, 18K 21.

Rentzeropoulos, Panagiotos/Dermatas, Evangelos/Sgarbas, Kyriakos/Fakotakis, Nikos/Kokkinakis, George (1999), Αυτµατη µετατροπ µεταξ ορθογραφικς και φωνητικς γραφς για τη Ν α Ελληνικ γλ σσα. [Automatic transcription between graphemic and phonetic representation for Modern Greek language]. In: Studies in Greek Linguistics, Proceedings of the 19 th Annual Meeting of the Department of Linguistics. Faculty of Philosophy, Aristotle University of Thessaloniki, Thessaloniki, 404K418. Saukkonen, Pauli (1994), Main trends and results of quantitative linguistics in Finland. In: Journal of Quantitative Linguistics 1, 2K15. Scholfield, Phil (1991), Trends in Greek-English contrastive analysis: two recent studies. In: Proceedings of the 5 th Symposium on the description and/or comparison of English and Greek. Aristotle University, Thessaloniki, 279K302. Stavrakaki, Stavroula/Tsimpli, Ianthi-Maria (1999), Η εµφνιση λειτουργικ ν κατηγορι ν στη γλ σσα ενς δυσφασικο ελληνπουλου: συγκριτικ µελ τη δο σταδων στη γλωσσικ του ανπτυξη. [The appearance of functional categories in the speech of a dysphasic Greek child: comparative study of two stages in his language development]. In: Studies in Greek Linguistics, Proceedings of the 19 th Annual Meeting of the Department of Linguistics. Faculty of Philosophy, Aristotle University of Thessaloniki, Thessaloniki, 475K489. Tambouratzis, George/Markantonatou, Stella/ Xairetakis, Nikos/Carayannis, George (2000), Automatic style categorization of corpora in the Greek language. In: Proceedings of the 2nd International Conference on Language Resources and Evaluation, Vol. 1. Athens, 135K140

George K. Mikros, Athens (Greece)

10. Das Werk von G. K. Zipf 1. 2. 3. 4. 5.

Biographie Dynamische Philologie Das Prinzip des geringsten Aufwands Zipfs Bedeutung Literatur (in Auswahl)

1.

Biographie

George Kingsley Zipf wurde am 07. Januar 1902 in Freeport, Illinois, USA geboren. Nach seinem philologischen Studium graduierte er 1924 in Harvard summa cum laude (Miller 1968). 1925 schloß sich ein Studienaufenthalt in Deutschland an, den er in Bonn bei Prof. F. Sommer und Berlin bei

W. Schulze absolvierte (Birkhan 1979). Dort erhielt er auch den Anstoß, Sprache mit den Augen des Naturwissenschaftlers zu betrachten (Zipf 1968, 1). Vier Jahre später erschien seine Dissertation (Zipf 1929), für die ihm 1930 der Titel Ph.D. in vergleichender Philologie verliehen wurde. Er war danach in Harvard als Deutschlehrer tätig, ab 1936 als Assistant Professor of German. 1939 wurde er zum University Lecturer ernannt, was ihn von der Lehrtätigkeit weitestgehend freistellte. Zipf genoß das Vertrauen seiner Schüler (Crozier/Rogers/Walsh 1950), obwohl „er dafür bekannt war, daß man in seinen Semina-

10. Das Werk von G. K. Zipf

ren unablässig zu zählen hatte“ (Birkhan 1979, 50). Sein Interesse an der Biographie anderer Menschen fand Niederschlag in (Zipf 1938e), der einzigen literaturwissenschaftlichen Veröffentlichung Zipfs. Seine Sprachlehrtätigkeit wurde als sehr wirkungsvoll eingeschätzt (Crozier/Rogers/ Walsh 1950). Zipf hatte eine lexikalisch basierte Methode entwickelt, deren Prinzipien er in (Zipf 1938c) beschreibt. Seine Schüler erreichten damit innerhalb von zwei Jahren eine praktikable Beherrschung der deutschen Sprache. Nachdem die Folgestudien zu seiner Dissertation (Zipf 1932) und im Jahr 1935 „The Psycho-Biology of Language“ (Zipf 1968) erschienen waren, veröffentlichte Zipf jährlich (außer 1944) bis zu 5 Aufsätze und Monographien. 1940 wandelte sich sein Thema vom linguistisch orientierten „principle of frequency“ zum „principle of least effort“ (Zipf 1972), das er als fundamentales Prinzip sozialer Organisation (Zipf 1940a) bezeichnete. Im Jahr 1950 wurde ihm die Ehre einer Guggenheim Fellowship für das folgende Jahr zuteil, deren Früchte er jedoch nicht mehr genießen konnte. Bei den Untersuchungen, die im Rahmen des Stipendiums durchgeführt wurden, stellte man einen Krebs fest, dem er am 25. September 1950 erlag (Prün/Zipf 2002). Die Beschäftigung mit Zipfs Werk schreit geradezu nach besseren Erklärungen (Miller 1968) als denen, die Zipf selbst zu geben in der Lage war. Miller schreibt: „Zipf belongs among those rare but stimulating men whose failures are more profitable than most men’s successes“ [Zipf gehört zu diesen seltenen, aber anregenden Personen, deren Niederlagen ergiebiger sind als die Erfolge der meisten Menschen] (Übersetzung der Verfasserin) (Miller 1968, vii).

2.

Dynamische Philologie

Die erste Phase in Zipfs Werk wird durch die Beschäftigung mit Fragen der vergleichenden Sprachforschung charakterisiert. Er unternimmt den Schritt von der Beschreibung sprachlicher Phänomene zu einer Erklärung seiner Beobachtungen. Die Beschreibungsmethode, die seinen Erklärungen zugrunde liegt, ist quantitativ. Er zählt die Häufigkeiten sprachlicher Einheiten, um danach die Häufigkeiten der Einhei-

143 ten zueinander und zu anderen Eigenschaften der Einheiten in Beziehung zu setzen (Zipf 1929; 1932; 1968; 1937a; 1937b; 1938a; 1938b; 1938c; 1938d; 1945a; 1945b; 1946b; 1946f; 1947c; 1949; Zipf/Rogers 1939; Whitehorn/Zipf 1943). Die Erklärung der Beobachtungen basiert auf einem deduktivnomologischen Vorgehen (Birkhan 1979; Köhler 1986). Zipf (1929) analysiert die Funktion, die Eigenschaften sprachlicher Einheiten in der Rede haben (z. B. Verbesserung der Wahrnehmbarkeit, Erleichterung der Artikulation) und kann zeigen, daß die Veränderung der Häufigkeit zwangsläufig die Ausprägungen der verschiedenen Eigenschaften von Lauten, Silben und Wörtern verändert. 2.1. Die relative Häufigkeit von sprachlichen Einheiten In seiner ersten Veröffentlichung, Relative Frequency as a Determinant of Phonetic Change (Zipf 1929), postuliert er ein Prinzip, demzufolge die Häufigkeit einer sprachlichen Einheit ihre Form bestimmt. Das „Prinzip der relativen Häufigkeit“ lautet im Originaltext: „Principle of Frequency. The accent, or degree of conspicuousness, of any word, syllable, or sound, is inversely proportionate to the relative frequency of that word, syllable, or sound, among its fellow words, syllables, or sounds, in the stream of spoken language. As usage becomes more frequent, form becomes less accented, or more easily pronounceable, and vice versa.“ [Prinzip der Häufigkeit. Das Gewicht bzw. der Grad der Auffälligkeit eines Wortes, einer Silbe oder eines Lautes ist umgekehrt proportional zur relativen Häufigkeit dieses Wortes, dieser Silbe oder dieses Lautes in der Rede. Wenn der Gebrauch häufiger wird, verliert die Form an Gewicht und wird einfacher aussprechbar und umgekehrt.] (Zipf 1929, 4; Übersetzung der Verfasserin). Die Gültigkeit dieses Satzes leitet Zipf von zwei kommunikativen Notwendigkeiten ab: erstens muß die Unterscheidbarkeit sprachlicher Einheiten oder Merkmale gewährleistet sein, und zwar je seltener eine Einheit ist, desto besser muß sie von sich ähnlichen Einheiten und von den umgebenden Einheiten derselben Ebene abheben. Häufige Einheiten werden stärker erwartet; ihr Informationsgehalt ist geringer und es ist deshalb nicht so zwingend notwendig, daß sie genau verstanden bzw. aufwendig artiku-

144

I. Allgemeines / General

liert werden (vgl. Zipf 1929, 15). Zweitens muß der Aufwand beim Sprechen ökonomisch verteilt werden, das heißt, wenn ein Element häufig, aber aufwendig auszusprechen ist, dann tendieren die Sprecher dazu, die Aussprache zu vereinfachen (vgl. Zipf 1929, 38 ff.). Diese beiden Tendenzen, die seit Köhler (1986) als Systembedürfnisse „Minimierung des Dekodierungsaufwandes“ und „Minimierung des Produktionsaufwandes“ umschrieben werden, bilden einen Spannungsbereich, in dem geringer Sprecheraufwand mit hoher Häufigkeit und Redundanz mit geringer Häufigkeit funktional verbunden sind. In diesem Spannungsfeld verändert sich die Form sprachlicher Einheiten mit ihrer Frequenz wie vom Prinzip der relativen Häufigkeit vorhergesagt. Zipf (1929, 5; 92; etc.) nimmt eine starke Korrelation von aufwendiger Artikulation und hoher Deutlichkeit an. Er schlägt auch eine erste mathematische Formel vor, die das Verhältnis von Häufigkeit und Deutlichkeit (Auffälligkeit) als umgekehrt proportional bezeichnet (Zipf 1929, 89). Die Rezensenten seiner frühen Veröffentlichungen kritisieren vor allem Zipfs Auffassungen davon, welche Laute „schwächer“, und welche „deutlicher“ sein sollten (Twaddell 1929; Kent 1930; Richter 1930; Hermann 1931; Meriggi 1932), heben aber auch die Bedeutung seines Ansatzes hervor (Twaddell 1929; Richter 1930, 296; Sütterlin 1931; Meillet 1931).

stimmte Laute zu häufig für ihre schwierige Artikulation geworden sind. Andere Laute müssen jedoch von diesen sich ändernden Lauten unterschieden werden und verändern ihre Aussprache dementsprechend ebenfalls oder werden assimiliert K was wiederum die Häufigkeit des assimilierten Lautes erhöht. Zipf (1929, 39) diskutiert ferner die Existenz von Häufigkeitsschwellen, deren Überschreitung zu einer Lautveränderung führen kann.

2.1.1. Lautwandel Das Prinzip der relativen Häufigkeit ist in der Lage, Lautwandelprozesse zu erklären. Zipf leitet die Deutlichkeit, mit der ein Laut von ähnlichen und umgebenden Lauten unterschieden werden kann („conspicuousness“) vorallem von Lautmerkmalen ab. Dabei ist sowohl die Anzahl der Merkmale als auch ihre Art (angenommene artikulatorische Schwierigkeit und Wahrnehmbarkeit) entscheidend. Birkhan (1979) diskutiert diese Methode, das Prinzip muß jedoch nicht in Frage gestellt, sondern höchstens durch weitere Kriterien ergänzt werden. Zipfs Ergebnisse besagen, daß bei Lauten, die sich nur in der Ausprägung eines Merkmals unterscheiden, die energieärmere oder unscheinbarere Ausprägung beim häufigeren Laut zu finden ist (vgl. Zipf 1929, 34 ff.; Zipf 1932, 1 ff.; Zipf 1968, 49 ff.). Zipf (1929, 41) überträgt die Beobachtung auf eine diachronische Betrachtung und kann damit Lautverschiebungen erklären, indem be-

2.1.3. Wortlänge Für Wörter mißt Zipf den Aufwand bzw. die Deutlichkeit als Wortlänge. In (Zipf 1932, 8 ff.) zeigt er, wie die Deutlichkeit seltener gebrauchter Wörter dadurch gewährleistet wird, daß sie im Durchschnitt länger sind als die häufig gebrauchten Wörter. Dieses Verhältnis ist das Resultat von Abkürzungsprozessen, die alle überflüssigen Elemente eines Wortes wegfallen lassen, solange sich die Kürzung durch große Häufigkeit des Wortes vertreten läßt (Zipf 1932, 18 f.). Wie bei den Lauten gilt auch hier, daß häufige, stärker erwartete Elemente weniger Information tragen und deshalb unwichtiger sind bzw. leichter geraten werden können. Eine Folge davon ist, daß es wenige häufige, aber mit zunehmender Gebrauchshäufigkeit immer mehr verschiedene Wörter gibt. Auch diesen Zusammenhang drückt Zipf (1932, 24) mit einer Formel aus, nämlich (a Z Worthäufigkeit; b Z Anzahl Wörter mit Häufigkeit a)

2.1.2. Wortbetonung Eine starke Dynamik schreibt Zipf der Betonung von Silben im Wort zu. Betonung ist ein energiereiches Merkmal, das zur Kennzeichnung distinktiver Wortbestandteile verwendet wird. Je häufiger ein Wortbestandteil, desto seltener wird er betont. Zipf (1929, 4 ff.) zeigt, daß die häufigsten Wortformen indogermanischer Substantive stammbetont und die weniger häufigen endungsbetont sind. Er kann die Entstehung des Betonungsmusters im Lateinischen als Verallgemeinerung einer Betonungsverschiebung vom Präfix auf den Stamm erklären (Zipf 1929, 25 ff.) und weist darauf hin, daß im Deutschen abtrennbare Vorsilben in der Regel betont werden, während nicht abtrennbare dagegen so stark mit dem Wort verwachsen sind, daß sie nicht betont zu werden brauchen. Zudem sind letztere die häufiger gebrauchten (Zipf 1929, 33).

a b2 Z const.,

145

10. Das Werk von G. K. Zipf

FREQUENCY OF THE

OF

OCCURRENCE

WORDS

IN

ENGLISH

100

10

0

NUMBER OF OCCURRENCES

(ACCORDING TO R. C. ELDRIDGE.)

NUMBER OF WORDS 10

100

1000

Abb. 10.1: Häufigkeitsverteilungskurven für die englische Lexik (nach Zipf 1932, 25).

was später als eins der „Zipfschen Gesetze“ bezeichnet wird (auch als Frequenzklassenbelegungsgesetz und als Häufigkeitsverteilung eines Textes bezeichnet). In Abb. 10.1 ist auf der x-Achse abgetragen, wie viele Elemente dieselbe Häufigkeit y haben. 2.2. Psycho-Biologie der Sprache In seiner Monographie „The Psycho-Biology of Language“ (Zipf 1968) faßt Zipf die Erkenntnisse der vorherigen Publikationen zusammen und erweitert die Beispiele und Schlußfolgerungen des Prinzips der relativen Häufigkeit im Bereich der Lexik, der Phonologie, der Wortbetonung und der Syntax. Für die Lexik erweitert er das erste Gesetz so, daß er das berühmte Rang-Frequenz-Gesetz daraus ableiten kann (Zipf 1968, 45 ff.) (andere Bezeichnung: Häufigkeitsstruktur eines Textes, vgl. Orlov 1982). Dieses Gesetz besagt, daß in einer nach Häufigkeiten geordneten Wortliste die Position des Wortes in der Liste (sein Rang) und seine Frequenz in einem inversen Verhältnis zueinander stehen (vgl. Abb. 10.2). Zipfs erste Fassung des

Gesetzes lautet so, daß der durchschnittliche Abstand zweier Vorkommen eines Wortes im ausgezählten Text genau 10 mal dem Rang entspricht (Zipf 1968, 45). Für die Hypothesen zu Phonologie und Wortbetonung präsentiert er (Zipf 1968, 75) bessere Zählungen als in früheren Veröffentlichungen, die seine Annahmen stützen. Lautproduktion beschreibt Zipf (1968, 97) als einen „Zielerreichungsversuch“, der durch Änderungen der Häufigkeit und Einfluß der Lautumgebung verstärkte Schiefe aufweisen kann. Überschreitet diese Schiefe bestimmte Schwellen, dann pendelt sich ein neuer Zustand ein. Zipf (1968, 185 ff.) bezieht das Prinzip der relativen Häufigkeit auch auf die Syntax. Hier überträgt er seinen Begriff von Deutlichkeit und Auffälligkeit sprachlicher Einheiten auf die Stärke der Verbindung zwischen syntaktischen Elementen. Normabweichungen in der Kombination von Elementen ragen aus dem Fluß der Rede heraus, werden aus Bequemlichkeitsgründen seltener produziert und tragen viel Informa-

146

I. Allgemeines / General

10000

1000

I

II 100

FREQUENCY

10

1

RANK

10

100

1000

10000

Abb. 10.2: Häufigkeitsstruktur-Kurven. I: James Joyce, Ulysses. II: Stichproben amerikanischer Zeitungstexte (nach Zipf 1946, 336).

tion. Je häufiger eine bestimmte Kombination verwendet wird, desto stärker ist die Tendenz zur Verfestigung und Verschleifung. Durch solche Prozesse können sich Flexionen aus der Aneinanderreihung von Wörtern bilden, und es entwickeln sich bestimmte Verhältnisse von Flektiertheit und Freiheit in der Wortstellung in den verschiedenen Sprachtypen. Zipf (1968, 1 ff.; 263 ff.) legt dar, daß Sprache eine Form menschlichen Verhaltens ist, die von der Interaktion des Menschen mit seiner Umwelt wesentlich bestimmt wird. Sprache benennt die Wahrnehmungen, die der Mensch macht, und Sprache drückt aus, was der Mensch erreichen will. Als solche unterliegt sie den selben Prinzipen wie andere Verhaltensformen, besonders der Bestrebung zum Interessensausgleich zwischen

gegensätzlichen Tendenzen, die sich gerade im Prinzip der relativen Häufigkeit niederschlägt. 2.3. Dynamische Philologie Nach dem Erscheinen von Zipf (1968) beschäftigen vor allem drei Fragen Zipfs Rezensenten: die Frage nach dem wissenschaftstheoretischen Status (Cohen 1935; García 1968; Kühlwein 1968), nach den linguistischen Methoden (Joos 1936; Jost 1937; Trnka 1950) und nach den mathematischen Methoden (Empson 1936; Joos 1936; Thorndike 1936; Jost 1938) seiner Arbeit. Methoden und Terminologie des sich etablierenden linguistischen Strukturalismus setzen sich in Zipfs Werk nur langsam durch (Joos 1936; García 1968). Zipf (1937a) legt dar, daß der Vorwurf der Kausalität (Joos 1936)

10. Das Werk von G. K. Zipf

nicht gerechtfertigt ist, da die Bestrebung nach Gleichgewicht dynamische, keine deterministischen Prozesse auslöst. Zipfs stellt seinen eigenen Standpunkt, was den Beitrag der dynamischen Philologie zur Sprachwissenschaft betrifft, in (Zipf 1938d) dar. Er formuliert ein Konzept für die Zusammenarbeit der Fächer Phonometrie, die die Meßwerte liefert (entspricht in etwa der heutigen Phonetik), mit der Phonologie, die Klassifikationen und Regeln formuliert und der dynamischen Philologie, die die Beobachtungen der anderen Fächer interpretiert, erklärt und im Sinne einer Rückkopplung Korrektur und neue Ideen einbringt. Ein erstes Beispiel dieser Rückkopplung erarbeiten Zipf/Rogers (1939) in einer groß angelegten phonetisch-phonologischen Häufigkeitsstudie, mit der sie theoretische Phonemklassifikationen durch den Vergleich relativer Häufigkeiten bestätigen bzw. korrigieren können. In (Zipf 1937b) zeigt Zipf eine psychologische Interpretation der Rang-FrequenzVerteilung. Das Vokabular von Kindern ist kleiner als das von jugendlichen Schülern, aber die Form der Rang-Frequenz-Kurve ist dieselbe, woraus Zipf den Schluß zieht, daß Kinder jeden Alters die Sprache in einem eigenen, subjektiven Gleichgewicht von Aufwand und Deutlichkeit verwenden.

3.

Das Prinzip des geringsten Aufwands

Im Jahr 1940 markiert das Erscheinen zweier Artikel in der Zeitschrift „Psychological Record“ (Zipf 1940a; Zipf 1940b) die Hinwendung Zipfs zu allgemeineren Themen, besonders der Soziologie. 3.1. Die verallgemeinerte harmonische Reihe und sozio-ökonomische Strukturprinzipien Menschliches Verhalten, das versucht, mehrere Faktoren gleichzeitig zu optimieren, resultiert nach Zipfs Überzeugung grundsätzlich in einer bestimmten Struktur der Welt, die der Mensch gestaltet. Aus illustrativen Szenarien (Handwerker in der Werkstatt (Zipf 1940b); Besiedlung eines neuen Kontinents (Zipf 1941); Glöckneraufgabe (Zipf 1945b, 137)) leitet er ab, wie der Gesamtaufwand, der zur Lösung einer Aufgabe nötig ist, nur durch ein Abwägen von optimierten Einzellösungen in Zeit und Raum minimiert

147 werden kann. Das Abwägen geschieht dabei immer zwischen den beiden Lösungsmöglichkeiten Unifikation (Zusammenfassen) und Diversifikation (Eineindeutigkeit). Im Falle von Unifikation werden einem einzigen Element möglichst viele Funktionen zugewiesen und damit das Inventar unterschiedlicher Elemente minimiert. Diversifikation bezeichnet die gegenläufige Tendenz, für jede Funktion genau ein Element zur Verfügung zu haben, wodurch das Inventar der Elemente gleich groß wie die Menge der benötigten Funktionen wird. Es kommen immer beide Lösungsmöglichkeiten zum Einsatz, jedoch Unifikation stärker dort, wo häufig gebrauchte Funktionalitäten erfüllt werden müssen, und Diversifikation an den Stellen, wo seltener gebrauchte Funktionalitäten zur Verfügung stehen sollen. Das Resultat einer solchen Optimierung ist eine Rang-Frequenz-Struktur, wie sie vom Zipfschen Gesetz vorhergesagt wird. Zipf (1940a; 1940b; 1941; 1942b) verallgemeinert seine ursprüngliche Formulierung, bei der der Frequenzrang die zehnfache Wellenlänge eines Elements beträgt, indem er den Faktor nicht mehr fest, sondern variabel annimmt. Bevölkerungszahlen von Städten und Ortschaften (Zipf 1942b), Entfernungen zwischen ihnen (Zipf 1946a; Zipf 1946c; Zipf 1947a), aber auch Berufsgruppen (Zipf 1947b), Produktpaletten (Zipf 1950a; 1950b), Verbreitungsgebiete von Tageszeitungen (Zipf 1946e; 1948), Bibliotheken (Zipf 1945c), Konzertprogramme (Zipf 1946d), Lohn- und Gehaltsstufen (Zipf 1950c; Zipf 1950d; Zipf 1950e; Zipf/Rucker 1949) und viele andere sozio-ökonomische Strukturgrößen (Zusammenfassungen der vorgenannten Ergebnisse und weitere in Zipf 1972) gehorchen diesem Gesetz. Eine Erkenntnis, deren Bedeutung für die Linguistik noch nicht ausreichend erforscht wurde, ist die, daß die Rang-Frequenzverteilung immer nur innerhalb eines Ganzen (Staates, Textes, Industriebetriebes) gelten kann. Zipf geht sogar so weit (vgl. Zipf 1941, 36 ff.), Instabilität für das Ganze zu prognostizieren, wenn seine konstituierenden Elemente nicht dieser Verteilung folgen. Orlovs (1982) Hypothesen greifen diese Annahmen auf, die Zipf im Jahre 1938 zum ersten Mal formuliert hat (Zipf 1938b). 3.2. Mentale Strukturprinzipien Da die Sprache eine Form des Verhaltens ist, das innerhalb eines sozialen Konsens

148

I. Allgemeines / General

10

MEANINGS (AVERAGE)

5

2

1 5

1

2

5

10

20

RANK (IN THOUSANDS)

Abb. 10.3: Häufigkeitsrang und Bedeutungszahl (nach Zipf 1972, 30).

und menschlicher Interaktion existiert, verwundert es nicht, daß hier dieselben Strukturen zu finden sind, wie in Gesellschaft und Wirtschaft. Damit integriert Zipf (1945a) seine früheren Studien zur dynamischen Philologie in ein größeres Gebäude, das Sprache als eine Form menschlichen Verhaltens auffaßt. Die Elemente der Sprache unterliegen dem Druck, als effektive Kommunikationsmittel zu funktionieren, aber dabei Sprachverarbeitung und Gedächtnis möglichst minimal zu belasten. Unifikation entlastet den Sprecher, indem Wörter mehrere Bedeutungen tragen können und das Vokabular kleiner wird. Sie kann deshalb als die individualistische Tendenz verstanden werden. Diversifikation bewirkt, daß Wort und Bedeutung im 1:1-Verhältnis stehen und sichert damit die Informationsübertragung, weshalb ihre Funktion eine soziale ist. Zipf (1945a, 27 ff.; 67 ff.; 75 ff.) kann allerdings zeigen, daß die Häufigkeit der Wörter nicht linear mit der Anzahl ihrer Bedeutungen abnimmt, sondern Wörter mit mehreren Bedeutungen systematisch häufiger sind als solche mit wenigen und die Häufigkeiten der Zipfschen Kurve folgen (vgl. Abb. 10.3), d. h. wiederum wirkt Unifikation stärker im Bereich großer Häufigkeit, Diversifikation dagegen im Bereich geringer Häufigkeit. Bestimmte Charakteristika der Rang-Frequenz-Verteilung lassen Schlußfolgerungen

über den seelischen Zustand des Sprechers zu. Während Kinder ein verkleinertes Lexikon haben, das aber im Prinzip ökonomisch strukturiert ist (Zipf 1942a), haben Texte von Menschen in Streßsituationen oder mit psychischen Störungen deutlich abweichende Häufigkeitsstrukturen. Die Abweichung geschieht in der Regel in Richtung einer verstärkten Unifikation, was auf eine starke Ich-Orientierung der Probanden hinweist (Whitehorn/Zipf 1943; Zipf 1972, 288 ff.). Auch die Verwendung von gleich häufigen Wörtern (Zipf 1945b; 1972, 45 ff.) scheint ökonomisch zu geschehen, denn ihre Abstände nähern sich einer Gleichverteilung an. Zipf (1945b, 47 ff.) bringt dies mit einem Konzept der Zeit-Perspektive in Verbindung, die die Gestaltung von Texten bestimmt. In wie weit die Zeit-Perspektive mit dem Text als abgeschlossenem Ganzen (Orlov 1982) zusammenhängt, ist bis heute nicht wissenschaftlich bearbeitet worden. Zipfs Studien zum Wortalter zeigen ebenfalls Ergebnisse, die sich innerhalb der Hypothesen von Frequenz, Unifikation und Diversifikation erklären lassen. Je häufiger ein Wort ist, desto älter ist im Mittel die Sprachschicht, aus der es stammt (Zipf 1946b; 1947c; 1972, 110K120; vgl. Abb. 10.4). Dies bedeutet, daß häufigere Wörter sich schwerer aus dem Lexikon verdrängen lassen, als seltenere, was damit zusammenhängt, daß

149

10. Das Werk von G. K. Zipf

diese Wörter auch mehr verschiedene Bedeutungen tragen als die selteneren. Arapov/Cherc (1983, 51) bestätigen diese Ergebnisse und leiten die Exponentialverteilung als mathematisches Modell für den Zusammenhang von Wortalter und Worthäufigkeit ab.

steht auch mit Eigenschaften der Konstrukte, an denen das Element beteiligt ist, in enger Beziehung (Zipf 1968, 157; 191; 208; Zipf 1972, 71). Zipfs Überlegungen zu den Beziehungen der Konstituentenebenen untereinander wurden bisher nur in Prün (1999) ansatzweise untersucht.

4.

Abb. 10.4: Häufigkeitsrang und etymologische Schichten (nach Zipf 1972, 114).

Zipfs Studien deuten an, daß zwischen den unterschiedlichen Konstituentenebenen der Sprache ebenfalls Beziehungen bestehen, die quantitativ gefaßt und auf Grundlage des Axioms der sprachlichen Selbstregulation (Köhler 1986) erklärt werden können. Zipf bezeichnet das Aufbauprinzip der Sprache als Konfiguration von Konstituenten (Zipf 1968, 157; 188 ff.). Ihre Kombination und die Verfestigung von Kombinationen sowie die damit verbundene Kürzung der sprachlichen Konstrukte beschäftigen Zipf schon 1932. Die Inventargrößen sinken mit der Konstituentenebene, z. B. ist das Lexikon (die Wortliste eines Textes) ungleich größer als sein Inventar an Silben oder Morphemen. Dies wirkt sich auf die Form der Zipfschen Kurven aus (Zipf 1972, 80), die mit sinkender Inventargröße deutlich flacher werden. Die Häufigkeit von Elementen

Zipfs Bedeutung

Erst gegen Ende der 40er Jahre begann man, Zipf wirklich ernst zu nehmen. Das Stipendium, seine Vortragstätigkeit (vgl. Zipf 1950d), seine Beteiligung an einem psychologischen Handbuch (Zipf 1946 f.) und auch Berichte seines Sohnes (Prün/Zipf 2002) legen davon Zeugnis ab. Ebenso erschien auch Zipf (1972) nicht auf eigene Rechnung des Autors, wie Mandelbrot (1987, 411) vermutet; die Quittungen liegen der Familie Zipf (persönliche Mitteilung) vor. Es ist jedoch bezeichnend, daß außer dem Nachruf im Harvard Magazine (Crozier/ Rogers/Walsh 1950) nur in einer soziologischen, nicht in einer linguistischen Zeitschrift dem Tode Zipfs gedacht wird (Lundberg/Dodd 1950). Zipfs Denken findet man in vielen Disziplinen wieder, so in der Biologie, auch der Molekularbiologie, in Psychologie, Dokumentationswissenschaft, Bibliothekswissenschaft, Musikologie, Literaturwissenschaft, Soziologie und Soziometrie, Geographie, Mathematik, Physik, Systemtheorie, und zwar in Form von Potenzgesetzen, die oft direkt von Zipfs Entdeckungen inspiriert wurden. Gell-Mann (1996, 149) bezeichnet in seinem Buch zur Komplexitätsforschung die Phänomene, die Zipf beschreibt, als empirische Theorien, die sich jedoch bisher tieferem Verständnis entziehen. Nur ihre Bedeutung im Zusammenhang mit der Skaleninvarianz und den Fraktalen Benoit Mandelbrots sowie der Chaosforschung gilt als „verstanden“ (Gell-Mann 1996, 154). Mandelbrots Forschung erhielt durch Zipf (1972) wichtige Gedankenanstöße (Mandelbrot 1987, 411 f.; 429). Zipfs Rezensenten (Walsh 1949; Hudgins 1949; Cohen 1950; Chao 1950; Bentley 1951; García 1968; Kühlwein 1968; Průcha 1969) beteuern immer wieder die Wichtigkeit des quantitativen Ansatzes für die Linguistik. Die kritischeren Stimmen (Martinet 1949; Classe 1950) beklagen, daß Zipf wichtige Ergebnisse anderer nicht wahrnimmt. So beschränkte sich die Beschäftigung mit Zipfs

150

I. Allgemeines / General

Gesetzen immer auf Einzelpersonen (vgl. Birkhan 1979; Mandelbrot 1953) oder kleinere Gruppen, über viele Jahre besonders in der Quantitativen Linguistik der damaligen Sowjetunion. Altmanns Funktionalanalyse in der Linguistik (Altmann 1981) und Köhlers Axiom der sprachlichen Selbstorganisation (Köhler 1986) bieten einen wissenschaftstheoretischen Hintergrund, der es erlaubt, die Zipfschen Gesetze nicht mehr nur als Resultat stochastischer Prozesse abzutun, sondern die stochastischen Prozesse als funktional bezüglich der kommunikativen, kognitiven Anforderungen sowie physikalischen und anderen Randbedingungen, die an die Sprache gestellt werden, zu betrachten (García 1968).

5.

Literatur (in Auswahl)

Altmann, Gabriel (1981), Zur Funktionalanalyse in der Linguistik. In: Forms and Functions. (Hrsg. Jürgen Esser/Axel Hübler). Tübingen: Narr, 25K 32. Arapov, Michail V./Cherc, Maja M. (Hrsg.), Mathematische Methoden in der historischen Linguistik. Quantitative Linguistics 17. Bochum: Brockmeyer, 1983. Bentley, M. (1951), Human behavior and the principle of least effort. An introduction to human ecology. By George Kingsley Zipf. In: American Journal of Psychology 64, 149K150. Birkhan, Helmut (1979), Das „Zipfsche Gesetz“, das schwache Präteritum und die germanische Lautverschiebung. Sitzungsberichte der österreichischen Akademie der Wissenschaften, philosophisch-historische Klasse; 348. Wien: Verlag der Österreichischen Akademie der Wissenschaften. Chao, Yuen Ren (1950), Human behavior and the principle of least effort. An introduction to human ecology. By George Kingsley Zipf. In: Language 26, 394K401. Classe, A. (1950), G. K. Zipf: Human behavior and the principle of least effort. An introduction to human ecology. In: Archivum linguisticum 2, 76K78. Cohen, Marcel (1935), George Kingsley Zipf. K The psycho-biology of language. In: Bulletin de la société de linguistique de Paris 36, 8K11. Cohen, Marcel (1950), George Kingsley Zipf. K Human behavior and the principle of least effort. An introduction to human ecology. In: Bulletin de la société de linguistique de Paris 46, 12K13. Crozier/Rogers/Walsh: George Kingsley Zipf. In: Harvard University Gazette, 1950, 81K82. Empson, William (1936), He lisped in numbers. In: Spectator, Feb. 14, 1936, 270.

García, Erica (1968), Zipf, George K. The psychobiology of language: An introduction to dynamic philology. Introduction by George A. Miller. In: Romance philology 22, 39K42. Gell-Mann, Murray (1996), Das Quark und der Jaguar. Vom Einfachen zum Komplexen. Die Suche nach einer neuen Erklärung der Welt. München/Zürich: Piper. Hermann, Eduard (1931), George Kingsley Zipf: Relative frequency as a determinant of phonetic change. In: Philologische Wochenschrift 51, 598K 603. Hudgins, Clarence V. (1949), An integrating principle for human behavior. In: American speech 24, 293K295. Joos, Martin (1936), Review of G. K. Zipf. The psycho-biology of language. In: Language 12, 196K 210. Jost, Karl (1937), Besprechung von Zipf’s PsychoBiology. In: Indogermanische Forschungen 55, 139K142. Jost, Karl (1938), Entgegnung zu Zipfs Erwiderungen. In: Indogermanische Forschungen 56, 78K80. Kent, Roland G. (1930), Relative frequency as a determinant of phonetic change. By George Kingsley Zipf. In: Language 6, 86K88. Köhler, Reinhard (Hrsg.), Struktur und Dynamik der Lexik. Quantitative linguistics 31. Bochum: Brockmeyer, 1986. Kühlwein, H. A. W. (1968), George Kingsley Zipf, The psycho-biology of language: An introduction to dynamic philology. In: Linguistics 44, 98K99. Lundberg, G. A./Dodd, S. C. (1950), Obituary. In: American sociological review 15, 104. Mandelbrot, Benoît (1953), An informational theory of the statistical structure of language. In: Communication theory. (Hrsg. W. Jackson). London: Betterworth, 486K502. Mandelbrot, Benoît (1987), Die fraktale Geometrie der Natur. Basel/Boston: Birkhäuser. Martinet, André (1949), George Kingsley Zipf, Human behavior and the principle of least effort. In: Word 5, 280K282. Meillet, A. (1931), G. Kingsley Zipf. Relative frequency as a determinant of phonetic change. In: Bulletin de la société de linguistique de Paris 31, 17. Meriggi, Piero (1932), Zipf, George Kingsley: Relative frequency as a determinant of phonetic change. In: Indogermanische Forschungen 50, 246K247. Miller, George A. (1968), Introduction. In: Zipf 1968, iiiKx. Orlov, Jurij K. (1982), Dynamik der Häufigkeitsstrukturen. In: Studies on Zipf’s law. (Hrsg. H. Guiter/M. V. Arapov). Bochum: Brockmeyer, 116K153.

10. Das Werk von G. K. Zipf Průcha, Jan (1969), Psychobiologická teorie jazyka. In: Slovo a slovesnost 30, 96K98. Prün, Claudia (1999), G. K. Zipf’s conception of language as an early prototype of synergetic linguistics. In: Journal of quantitative linguistics 6, 78K84. Prün, Claudia/Zipf, Robert (2002), Biographical notes on G. K. Zipf. In: Glottometrics 3, 1K10. Richter, Elise (1930), Zipf, George Kingsley: Relative frequency as a determinant of phonetic change. In: Archiv für das Studium der neueren Sprachen 157, 291K296. Sütterlin, L. (1931), George Kingsley Zipf: Relative frequency as a determinant of phonetic change. In: Literaturblatt für germanische und romanische Philologie 52, Sp. 241K243. Thorndike, E. L. (1936), George Kingsley Zipf. The psycho-biology of language. In: Journal of educational psychology 27, 391. Trnka, Bohumil (1950), George Kingsley Zipf: The psycho-biology of language. An introduction to dynamic philology. K Human behavior and the principle of least effort. An introduction to human ecology. In: Philologica 5, 3K5. Twaddell, W. Freeman (1929), New light on phonetic change. In: Monatshefte für deutschen Unterricht 21, 230K237. Walsh, J. L. (1949), Another contribution to the rapidly growing literature of mathematics and human behavior. In: Scientific American, August 1949, 56K58. Whitehorn, J. C./ Zipf, George K. (1943), Schizophrenic language. In: Archive of neurology and psychiatry 49, 831K851. Zipf, George Kingsley (1929), Relative frequency as a determinant of phonetic change. In: Harvard studies in classical philology 40. Zipf, George Kingsley (1932), Selected studies of the principle of relative frequency in language. Cambridge/Mass.: Harvard Univ. Press. Zipf, George Kingsley (1937a), Observations on the possible effect of mental age upon the frequency-distribution of words from the viewpoint of dynamic philology. In: Journal of psychology 4, 239K244. Zipf, George Kingsley (1937b), Statistical methods in dynamic philology (Reply to M. Joos). In: Language 132, 60K70. Zipf, George Kingsley (1938a), Erwiderung. In: Indogermanische Forschungen 56, 75K77. [zu: Jost (1937)] Zipf, George Kingsley (1938b), Homogeneity and heterogeneity in language. In answer to Edward L. Thorndike. In: Psychological record 2, 347K 367. Zipf, George Kingsley (1938c), On the problem of grammatical rules and the study of ‘General

151 Language’. In: Modern Language Journal 22/4, 243K249. Zipf, George Kingsley (1938d), Phonometry, phonology, and dynamic philology. An attempted synthesis. In: American speech 13, 275K285. Zipf, George Kingsley (1938e), New facts in the early life of George Meredith. In: Harvard studies and notes in philology and literature 20. Zipf, George Kingsley (1940a), The generalized harmonic series as a fundamental principle of social organization. In: Psychological record 4, 43. Zipf, George Kingsley (1940b), On the economical arrangement of tools, the harmonic series and the properties of space. In: Psychological record 4, 147K159. Zipf, George Kingsley (1941), National unity and disunity. The nation as a bio-social organism. Bloomington/Ind.: Princeton Press. Zipf, George Kingsley (1942a), Children’s speech. In: Science 96, 344K345. Zipf, George Kingsley (1942b), The unity of nature, least-action, and natural social science. In: Sociometry 5, 48K62. Zipf, George Kingsley (1945a), The meaning-frequency relationship of words. In: Journal of general psychology 33, 251K256. Zipf, George Kingsley (1945b), The repetition of words, time-perspective and semantic balance. In: Journal of general psychology 32, 127K148. Zipf, George Kingsley (1945c), Some psychological determinants of the structure of publications. In: American Journal of Psychology 58, 425K442. PP Zipf, George Kingsley (1946a), The 1 2 hypotheD sis: The case of railway express. In: Journal of psychology 22, 3K8. Zipf, George Kingsley (1946b), Cultural-chronological strata in speech. In: Journal of abnormal and social psychology 41/3, 351K355. PP Zipf, George Kingsley (1946c), The 1 2 hypotheD sis: On the intercity movement of persons. In: American sociological review 11, 677K686. Zipf, George Kingsley (1946d), On the dynamic structure of concert programs. In: Journal of abnormal and social psychology 41, 25K36. Zipf, George Kingsley (1946e), Some determinants of the circulation of information. In: American journal of psychology 59, 401K421. Zipf, George Kingsley (1946f), The psychology of language. In: Encyclopedia of psychology. (Hrsg. P. L. Harriman). New York: Philos. Libr., 332K 341. Zipf, George Kingsley (1947a), On Dr. Miller’s PP contribution to the 1 2 hypothesis. In: American D journal of psychology 60, 284K287.

152

I. Allgemeines / General

Zipf, George Kingsley (1947b), The frequency and diversity of business establishments and personal occupations. A study of social stereotypes and cultural roles. In: Journal of psychology 24, 139K148. Zipf, George Kingsley (1947c), Prehistoric ,cultural strata‘ in the evolution of Germanic: The case of Gothic. In: Modern language notes 62, 522K 530. Zipf, George Kingsley (1948), On the number, circulation-sizes and the probable purchasers of newspapers. In: American journal of psychology 61, 79K89. Zipf, George Kingsley (1949), Relative frequency and dynamic equilibrium in phonology and morphology. In: Proceedings of the 6th international congress of linguists. Paris. 391K408. Zipf, George Kingsley (1950a), Brand names and related social phenomena. In: American journal of psychology 63, 342K366. Zipf, George Kingsley (1950b), Empiric regularities in the frequency-distribution of chemical manufacturers and chemical distributors by product-diversity in the U.S.A. In: American journal of psychology 30, 195K198. Zipf, George Kingsley (1950c), The frequency-distribution of wages and the problem of labor unrest. In: American journal of psychology 29, 315K 324. Zipf, George Kingsley (1950d), Empiric regularities in the frequency-distribution of directorships

in american corporations. In: American psychologist 5, 245 [Z Ankündigung eines Vortrags für den 7. 9. 1950]. Zipf, George Kingsley (1950e), Wage distribution and the problem of labor harmony. In: Explorations in altruistic love and behavior. (Hrsg. Pitirim Aleksandrovich Sorokin). Boston: Kraus, 333K 346. [Zipf, George Kingsley (1950f), Quantitative analysis of a Sears Roebuck catalog. New York. K Nicht greifbare Veröffentlichung, nachgewiesen in G. Billmeier und D. Krallmann: Bibliographie zur statistischen Linguistik. IPK Forschungsbericht 69/3. Hamburg: Buske, 1969, S. 144.] Zipf, George Kingsley (1968), The psycho-biology of language. An introduction to dynamic philology. Cambridge/Mass.: M.I.T. Press, 2nd ed. 1968 [Erstausgabe: Boston: Houghton-Mifflin, 1935]. Zipf, George Kingsley (1972), Human behavior and the principle of least effort. An introduction to human ecology. New York: Hafner reprint, 1972. [1. Aufl.: Cambridge/Mass., Addison-Wesley, 1949.] Zipf, George Kingsley/Rogers, Francis Millet (1939), Phonemes and variphones in four presentday Romance languages and Classical Latin from the viewpoint of dynamic philology. In: Archives néerlandaises de phonétique expérimentale 15, 111K147. Zipf, George Kingsley/Rucker, Allen W. (1949), How to set salary brackets that spur achievement. In: Modern management 9, 4K7.

Claudia Prün, Trier (Deutschland)

11. Das Werk von W. Fucks 1. 2. 3. 4. 5. 6. 7.

Biografische Skizze Das sprach- und literaturwissenschaftliche Werk Das musikwissenschaftliche Werk Das gesellschaftspolitische Werk Zusammenfassung Schriften von Wilhelm Fucks Literatur (in Auswahl)

1.

Biografische Skizze

Am 4. Juni 1902 wurde Wilhelm Fucks in Leverkusen geboren. Nach dem Abschluss des Gymnasiums studierte er an der Technischen Hochschule in München und promovierte zum Dr.-Ing. Im Jahre 1934 wurde er Privatdozent und 1938 außerordentlicher Professor an der Technischen Hochschule in Aachen. 1940 nahm er eine Gastprofessur für theoretische Physik an der Technischen

Hochschule Berlin an. Seine Tätigkeit als ordentlicher Professor und zugleich Direktor des 1. Physikalischen Instituts nahm Fucks 1941 in Aachen auf. Von 1950 bis 1952 stand er als Rektor der Technischen Hochschule Aachen vor. Als Vorsitzender des Wissenschaftlichen Rates zum Aufbau des Kernforschungszentrums in Jülich trug er entscheidend zur Gestaltung dieser Forschungseinrichtung bei, innerhalb derer er als Direktor dem Institut für Plasmaphysik von seiner Gründung 1956 bis zum Jahr 1966 vorstand. Nach seiner Emeritierung im Jahr 1970 wurde Fucks zusammen mit seinen Professorenkollegen Hugo Wilhelm Knipping und Wilhelm Groth 1971 zum wissenschaftlichen Ehrenmitglied der Kernforschungsanlage Jülich ernannt. Einige Jahre später erhielt er das große Bundesverdienstkreuz.

11. Das Werk von W. Fucks

Seit 1948 war er Mitherausgeber der Zeitschrift Studium Generale und seit 1959 auch der Zeitschrift Atomenergie. Am 1. April 1990 starb Wilhelm Fucks im Alter von 87 Jahren. Zu Fucks’ physikalischen Arbeitsfeldern gehörten hauptsächlich die Physik der Gasentladungen, die Plasmaphysik, Bogenentladungen sowie die Isotopendiagnostik. Neben seinen rund 80 Veröffentlichungen im Bereich der Physik hat Fucks rund 30 Arbeiten zu Sprache, Musik und Gesellschaft verfasst, in denen er exakt-mathematische Methoden auf geisteswissenschaftliche Disziplinen anwendet.

2.

Das sprach- und literaturwissenschaftliche Werk

Im Bereich der Sprach- und Literaturwissenschaft beschäftigt sich Fucks vornehmlich mit Fragen der Stilistik, Textauthentizität (Autorenbestimmung, Textverwandtschaft) und Morphologie. Die Vorgehensweise seiner Untersuchungen ist stets, bekannte und bewährte Methoden aus der Mathematik und Statistik auf andere Untersuchungsgegenstände anzuwenden, um schließlich allgemeine Zusammenhänge aufzudecken, „da es sich lohnt, überall nach Ordnungsbeziehungen zu suchen, die sich begrifflich beschreiben und quantitativ präzisieren lassen“ und da „kein Mensch etwas gänzlich Ungeordnetes machen kann“ (1968, 142). Das Ziel sind exakte und objektive Aussagen über die untersuchten Entitäten, d. h. die begriffliche Formulierung intersubjektiv überprüfbarer Ergebnisse K „mitteilbar mit Zustimmungszwang“ (1971b, 115). Bei dieser grundsätzlichen Suche nach tieferliegenden Ordnungszusammenhängen steht dem Physiker also letztendlich die Formulierung von Gesetzen im klassischen wissenschaftstheoretischen Sinne vor Augen. Hierbei geht es Fucks nicht um einen Gegensatz von Natur- und Geisteswissenschaft, vielmehr um die Ergänzung qualitativer und quantitativer Ansätze. So wie die Philosophie für Fucks als die allgemeinste Geisteswissenschaft gilt, so ist die Mathematik in ihrer rein geistig-abstrakten Weise für ihn die reinste aller Geisteswissenschaften, weswegen ihm ihre Anwendung auf geisteswissenschaftliche Gegenstände wie etwa Kunstwerke legitim und angemessen erscheint.

153 Als Anwendungsgebiet wählt Fucks beispielsweise den literarischen Stil. Stil ist für Fucks die Summe der objektiv fassbaren Eigenschaften eines Werkes, wobei die Semantik zunächst unberücksichtigt bleibt und formale Merkmale auf verschiedenen Ebenen die Datengrundlage bilden. Zwar gab es auch schon vor Fucks etliche Stiluntersuchungen, die sich jedoch vorwiegend auf wenige isolierte Parameter wie beispielsweise Wortfrequenzen stützten. Seit Fucks erlaubt die Erfassung und Kombination mehrerer Stilcharakteristika, Ähnlichkeiten und Unterschiede zwischen Werk-, Autoren- und Epochenstil auf besser fundierter Basis festzustellen. Als einfaches Stilkriterium dient beispielsweise das Maß der Wortlänge gemessen in Silben und die Satzlänge in Wörtern/Silben bezogen auf Texte von Dichtern und Textproduzenten allgemeiner Art (Politiker, Wissenschaftler, Philosophen). Durchschnittlich kürzere Wort- und Satzlängen scheiden die belletristischen Autoren von den übrigen Schriftstellern, und zwar sowohl im Deutschen als auch im Englischen (1968, 33 ff.). Differenzierter werden die Aussagen, wenn Fucks die Satzstrukturen bezogen auf Gliederung und Schachtelung genauer beschreibt. Hier gibt die Gliederungstiefe an, in welchem Umfang ein Satz aus Teilabschnitten (Sektionen oder Nebensätzen) besteht, d. h. Gliederungsmaß Z Summe der Sektionen. Die Schachtelungstiefe hingegen gibt an, in welchem Maß die Sektionen ineinander verschachtelt sind. Hier geschieht die Ermittlung der Schachtelungstiefe durch Rangzahlen, d. h. je weiter eine Sektion vom Hauptsatz entfernt ist, desto höher ihr Rang; die Summe aller Ränge für einen Satz ergibt das Maß der Schachtelungstiefe dieses Satzes. Um die Texte miteinander vergleichen zu können, ermittelt Fucks nun für sämtliche untersuchten Textproben der Prosatexte durch den Mittelwert aller Satzlängen und aller Schachtelungstiefen ein Gruppenmittel (100 %), was es ermöglicht, anzugeben, um wieviel Prozent ein bestimmtes Werk vom Mittelwert abweicht. Beispielsweise lässt sich so präzisieren, dass ein Kanttext 95 % längere und 94 % geschachteltere Sätze enthält als das Mittel aller untersuchten Texte. Ein Camustext hingegen liegt bei der Satzlänge 45 % unter und bei der Satzschachtelung 40 % unter dem Gruppenmittel. Qualitative und intuitive Eindrücke werden so mathematisch beschreibbar und objektiv vergleichbar. Ein weiteres Stilmerk-

154 mal im Textvergleich stellt die Abfolge von kurzen und langen Sätzen dar, d. h. wie groß ist die Häufigkeit, dass auf einen kurzen Satz ein langer oder ein kurzer folgt. Solche Häufigkeitsuntersuchungen ergeben beispielsweise für eine Textprobe Bismarcks von 2000 Sätzen, dass gleichnamige Satzkombinationen, d. h. die Satzfolge kurz-kurz und lang-lang, um 12 % häufiger auftreten als ungleichnamige. Fucks spricht hier von einer Bindungs- oder Anziehungskraft, durch die ein Satztyp die auf ihn folgenden Satztypen determiniert. Stärke und Reichweite dieser Kraft lassen sich messen. Liegt die Stärke der Anziehungskraft für gleichnamige Sätze für einen untersuchten Kleisttext bei 31 %, so beträgt sie bei Jean Paul lediglich 2 %. Die Reichweite der Bindungskraft ergibt beispielsweise für Balzac noch eine Stärke von 20 % beim vierten Satz, während sie beim Bismarcktext beim dritten Satz nur noch 5 % beträgt. Gerade diese Ergebnisse belegen für Fucks, dass es Ordnungsprinzipien gibt, denen ein Autor unbewusst folgt, und die ohne quantitative Verfahren nicht belegbar sind. Fucks’ einzelne Stiluntersuchungen bilden schließlich ein Instrumentarium, das es ermöglicht, exaktere Aussagen über mögliche Werkverwandtschaften zu treffen und damit nicht zuletzt zur Aufklärung offener Verfasserschaftsfragen beizutragen. In Ergänzung der bereits oben genannten stilistischen Parameter fügt er weitere hinzu, die bei der Klärung von Echtheitsfragen helfen sollen. Hierzu gehören bezogen auf verschiedene Textproben eines Textes sowie auf Vergleiche ganzer Texte untereinander zusätzlich Wortklassenhäufigkeiten und -unterschiede (Verschiedenheitsindex der Wortklassen), Wortklassenübergänge sowie Wortschatzvergleiche (Verschiedenheitsindex des Wortschatzes). Als Beispiel für die Anwendung des gesamten Instrumentariums von Untersuchungsmethoden vergleicht Fucks das Lukasevangelium und die Apostelgeschichte miteinander sowie das Johannesevangelium mit der Apokalypse. Es ergeben sich hieraus deutliche Unterschiede der miteinander verglichenen Texte auf fast allen Untersuchungsebenen. Bezüglich definitiver Antworten zur Verfasserschaft hält sich Fucks an dieser Stelle allerdings zurück, und er räumt ein, dass solche Aussagen schwierig sind und dass man sich häufig auf Tendenzen und Indizien beschränken muss. Erst in der Gegenüberstellung der ermittelten Ver-

I. Allgemeines / General

schiedenheitswerte mit entsprechenden Werten von Werken, die unzweifelhaft demselben Verfasser zuzuschreiben sind und die prinzipielle stilistische Variationbreite anzeigen, wird eine Beurteilung über einen möglichen gemeinsamen Autor zweier Texte möglich. Wurden bei früheren Stil- und Autorenschaftsuntersuchungen oft nur wenige Textkriterien wie Wort- und Satzlänge zugrundegelegt, so helfen die von Fucks berücksichtigten Merkmale Wortlängen, Wortklassenhäufigkeiten, Wortklassenübergänge, Satzlängen, Satzgliederung, Satzschachtelung und Wortschatzvergleich, die Analyse auf eine objektivere Basis zu stellen. Als künftige Perspektive stellt Fucks sich auf dieser Grundlage die „umfassende Entwicklung einer neuen Art von Wissenschaft [...], nämlich eines mit mathematischen Hilfsmitteln arbeitenden Zweiges der Literaturwissenschaft [...].“ vor (1968, 123). Über die deskriptive Ästhetik hinaus dient die Untersuchung literarischer Texte außerdem als Basis zur Ermittlung sprachenspezifischer Regelmäßigkeiten. So gelangt Fucks zu einer Formel, die basierend auf literarischem Textmaterial die Wortlängenverteilung für acht natürliche Sprachen beschreibt (1955d). Ausgehend von den tatsächlichen Silbenfrequenzen der untersuchten Sprachen ermittelt er eine mathematische Verteilung (verschobene Poisson-Verteilung), die es erlaubt, unter Geltung der Voraussetzung, dass jedes Wort aus mindestens einer Silbe besteht und dass kein Wort beliebig viele Silben hat, die tatsächliche Wortlängenverteilung formal-mathematisch zu beschreiben. Es handelt sich hierbei um eine statistische Verteilung mit Vorbelegung, die Fucks mit dem Galton’schen Brett als statistischem Verteiler experimentell durchführt. Die schließlich abgeleitete theoretische Verteilung für eine Mindestsilbenzahl von eins pro Wort lautet: ¯

pi Z

eK(iK1) (i¯ K 1)(iK1) (i K 1) !

(1)

Hierbei ist pi die relative Häufigkeit für ein Wort der Silbenzahl i und der Mittelwert der Verteilung. Allgemeiner lässt sich die Formel fassen, indem für 1 die Variable b eingesetzt wird, welche die Mindestsilbenzahl für die Wörter einer Sprache bezeichnet, also: ¯

pi Z

eK(iKb) (i¯ K b)(iKb) (i K b) !

(2)

155

11. Das Werk von W. Fucks

Zu Ehren von Fucks und des russischen Mediziners Čebanov, der bei Untersuchungen zur Wortlänge ebenfalls zu dieser verschobene Poisson-Verteilung gelangte, spricht man heute von der Čebanov-Fucksschen Verteilung (vgl. Piotrowski/Bektaev/Piotrowskaja 1985, 256). Grotjahn und später Altmann haben den Fucksschen Ansatz überprüft und modifiziert. Sie gelangten zu der besser an die Daten angepassten negativen Binomialverteilung (Grotjahn 1982) bzw. zur Hyperpoissonverteilung (z. B. Best/ Altmann 1996; Art. 19). Neben der Formel zur Wortlängenverteilung führte Fucks im Zusammenhang mit der mittleren Silbenzahl pro Wort das aus der Physik bekannte Maß für die Unordnung, die Entropie, in die Ästhetik ein. Beispielsweise herrscht bei einer Sprache, die ausschließlich aus einsilbigen Wörtern besteht, maximale Ordnung, da die Wortlänge immer gleich eins ist, die Streuung ist gleich null. Sobald die Wörter einer Sprache jedoch aus mehr als nur einer Silbe bestehen, steigt in der Verteilung sämtlicher Elemente die Streuung. Die Streuung der Wortlängen nimmt zu und damit das Maß der Unordung, die Entropie, in Bezug auf den Silbenmittelwert. Die Entropieformel lautet dann, wobei I gleich maximale Silbenzahl und pi gleich der relativen Häufigkeit der i-Silber ist: r

S Z K∑ pi log pi

(3)

1

Liegt die Entropie der Eigenschaft Wortlänge für das Englische bei 0,367 bei einer durchschnittlichen Wortlänge von 1,351 Silben, so beträgt die Entropie für das Lateinische 0,631 bei einer mittleren Wortlänge von 2,392 Silben. Diesen Zusammenhang weist Fucks für acht natürliche und eine künstliche Sprache (Esperanto) nach.

3.

Das musikwissenschaftliche Werk

Ebenso wie bei den sprach- und literaturwissenschaftlichen Untersuchungen geht es Fucks darum, auf stilistischer Basis Regelmäßigkeiten in musikalischen Kompositionen nachzuweisen und auf Ordnungszusammenhänge hinzuweisen. Hierdurch sollen Gesetzmäßigkeiten innerhalb der einzelnen Werke sowie übergreifend zwischen Werken eines Zeitabschnittes oder gar über größere Zeiträume hinweg aufgezeigt werden. So untersucht er beispielsweise die Häufigkeits-

verteilungen von Tonhöhen und Tondauern, die Häufigkeitsverteilungen bestimmter Intervalle, Übergangswahrscheinlichkeiten benachbarter Töne und Intervalle sowie Bindungskräfte, d. h. die Frage, inwiefern die Wahl bestimmter Töne oder Intervalle auf welche Entfernung hin die Wahl weiterer Töne oder Intervalle beeinflusst. Als Datengrundlage dienen ihm Dutzende vokaler und instrumentaler Kompositionen aus der Zeit des Vorbarock bis zur Zwölftonmusik unseres Jahrhunderts. Als wichtiges Vergleichsmaß für die Entwicklung der κ Z

S (x K x¯)4 px (S (x K x¯)2 px)2

(4)

Tonhöhenverteilung über die Jahrhunderte wählt Fucks die Kurtosis (κ) K den Quotienten aus dem vierten Moment und der Streuung in der vierten Potenz für eine Verteilung px mit dem Mittelwert K die bei der Gaußschen Normalverteilung stets 3 beträgt und als von der Streuung (Standardabweichung) und damit vom Tonumfang unabhängiges Maß angibt, um wieviel der Exzess (ε Z κ K 3, also 0 für die Gaußkurve) einer Verteilung über oder unter der Normalverteilung liegt. Für einen Zeitraum von fast 500 Jahren wächst der Kurtosiswert stetig an und drückt auf mathematischer Grundlage die formale Unterschiedlichkeit von Musikstücken verschiedener Epochen bezogen auf die Tonhöhenverteilung aus. Im 20. Jahrhundert hingegen lassen sich zwei parallele Tendenzen feststellen. Steigt die Kurtosis für einige Kompositionen stetig weiter, so sinkt sie für die Zwölftonmusik auf den Wert der Barockmusik und suggeriert hier zunächst eine formale Ähnlichkeit, die erst unter Heranziehung weiterer Merkmale, wie der Anordnung der musikalischen Elemente (Tonund Intervallfolgen), mathematisch überprüft werden kann. Hier zeigt sich, dass die Übergangsmatrizen für benachbarte Töne bei moderner Musik Werte aufweisen, wie sie für in einem Experiment zufällig erzeugte Tonfolgen gelten, und dass diese sich hierin signifikant von den Übergangshäufigkeiten älterer Musik unterscheiden. Die vordergründige Ähnlichkeit der Zwölftonmusik mit barocken Werken konnte somit unter Heranziehung eines weiteren Stilkriteriums mathematisch nicht bestätigt werden. Daneben misst Fucks die Stärke der Bindungskräfte von benachbarten und nicht benachbarten Tönen in einer Komposition bezogen

156

I. Allgemeines / General

auf die Tonhöhe, d. h. er ermittelt, wie stark die Wahl eines bestimmten Tones die Wahl des nächsten, übernächsten usw. Tones beeinflusst. Zeigen sich hier Korrelationen, die bei Bach eine Bindungskraft bis zum viertnächsten, bei Beethoven gar bis zum zwanzigsten Ton ausüben, so reicht diese Kraft bei Webern nicht bis zum unmittelbar folgenden Ton. Wie schon bei den literarischen Stilvergleichen wird deutlich, dass erst die Heranziehung möglichst vieler stilistischer Merkmale differenzierte und glaubhafte Ergebnisse ermöglicht. Fucks’ musikologische Untersuchungen fanden nicht immer uneingeschränkte Zustimmung. So äußerten die Musikwissenschaftler Wagner (1976) und Bauer (1976) herbe Kritik an der Vorgehensweise des Physikers. Wagner bezweifelt die Aussagekraft einzelner Messungen wie etwa der konsekutiven Intervalle und der Tonhöhenstreuung, während Bauer den Wert statistischer Beschreibungen auf die Bestätigung bereits bekannter Zusammenhänge beschränkt.

4.

Das gesellschaftspolitische Werk

Einer breiten Öffentlichkeit bekannt wurde Fucks durch das Buch Formeln zur Macht (1965b), das ab 1965 in mehreren Auflagen erschien, und ein Bestseller wurde. In diesem Werk beantwortet er vorrangig Fragen nach der zukünftigen Entwicklung der Menschheit, d. h. insbesondere nach der Bevölkerungsentwicklung und den künftigen Machtverhältnissen. Der Prognosezeitraum erstreckt sich von 1964 an auf ca. 75 Jahre, d. h. bis etwa zum Jahr 2040. Als Basis seiner Berechnungen dienen die für zurückliegende Zeiträume vorliegenden Werte für die Bevölkerungszahl und -entwicklung, sowie die gegenwärtigen Kenngrößen Stahl- und Energieproduktion. Macht (M) ist hierbei einmal das Produkt aus jährlicher Energieproduktion (P) und Bevölkerungszahl (Z) und desgleichen aus jährlicher Stahlproduktion (P) und Bevölkerungszahl (Z), also stark vereinfacht jeweils M Z P ! Z, wobei Z noch einen Exponenten (1/3) erhält, der sicherstellt, dass die Formel den tatsächlichen Gewichtungen der damaligen Realität entspricht; aus beiden Produkten wird schließlich der Mittelwert gebildet und so der Machtfaktor für eine Nation über die kommenden Jahrzehnte hinweg quantifiziert.

In Mächte von morgen (1978) werden die ursprünglichen Aussagen von 1965 noch stärker ausdifferenziert und den veränderten Gegebenheiten angepasst, beispielsweise durch die Einbeziehung der Schwellenländer Brasilien und Indien sowie der erstarkten japanischen Wirtschaftsmacht. Aus heutiger Sicht haben sich die Vorhersagen, deren Erfüllbarkeit Fucks selbst bereits einschränkt und von der Geltung bestimmter Randbedingungen abhängig macht, nicht voll bewahrheitet. Die Randbedingungen haben sich auch insofern verändert als die Stahlproduktion einen geringeren Stellenwert erhält etwa zugunsten des Faktors Information und Kommunikationsinfrastruktur. Auch der Zusammenbruch der Sowjetunion war in den sechziger und späten siebziger Jahren nicht zu vermuten. Dennoch stellen Fucks’ Berechnungen einen interessanten Versuch dar, intuitiv und qualitativ feststellbare Gegebenheiten und Entwicklungen zu quantifizieren und exakter zu beschreiben und vorherzusagen.

5.

Zusammenfassung

Die Höhe- und Schwerpunkte der quantitativen Arbeiten von Wilhelm Fucks sind die Einführung des aus der Physik bekannten Entropiemaßes in die Informationsästhetik, die Herleitung einer Verteilung der Wortlängen in Silben, sowie die praktische und nachvollziehbare Anwendung mathematischer Methoden auf geistes- und gesellschaftswissenschaftliche Sachverhalte. Mit seiner Forderung nach einem „Sprachingenieur“ und der Suche nach Gesetzmäßigkeiten war er Beförderer der Computerlinguistik und der quantitativen Linguistik überhaupt, noch bevor diese Fächer universitär etabliert waren. Seine Vorstellung von einer im Rahmen des „linguistic engineering“ zu schaffenden künstlichen Verkehrssprache, die in optimaler Weise den informationstheoretischen Erfordernissen K zumindest des Sprechers K entspricht, muß allerdings als aus mathematisch-physikalischer Sichtweise zwar verständlich, linguistisch jedoch als unrealistisch und nicht praktikabel gewertet werden. Es ist Fucks’ besonderes Verdienst, dass er durch sein Eintreten für die Anwendung exakter Methoden in den geisteswissenschaftlichen Disziplinen einerseits zu größerer Interdisziplinarität beitrug und anderer-

11. Das Werk von W. Fucks

seits durch seine populären Werke (1965b und 1968) diese Ansätze einem breiteren Publikum bekanntgemacht und den praktischen Nutzen quantitativer Methoden darlegen konnte. In Deutschland kann er als Anreger einer „exakten Literaturwissenschaft“ und der damit verbundenen Tagungen und der seit den 60er und 70er Jahren zu diesem Thema erschienenen Sammelbände gelten. In den quantitativ feststellbaren Wandlungen von Literatur, Musik und Kunst von konkreter Anschauung und Gegenständlichkeit hin zur Abstraktion sieht Fucks einen engen Zusammenhang zur wissenschaftlichtechnischen Entwicklung des Menschen im selben Zeitraum. Für ihn sind damit sämtliche kulturelle Erscheinungen eng aufeinander bezogen und stehen in enger Wechselwirkung miteinander, da sie alle Ausdruck dessen sind, „was man den Geist einer Epoche nennt“ (1963, 78).

6.

Schriften von Wilhelm Fucks

Da bisher an keiner anderen Stelle in der Literatur eine weitgehend vollständige Zusammenstellung der quantitativen Schriften von Wilhelm Fucks gefunden werden konnte, soll eine solche Übersicht im folgenden versucht werden.

Schriften von Wilhelm Fucks (1951) Über die Zahl der Menschen, die bisher gelebt haben. In: Zeitschrift für die gesamte Staatswissenschaft 107 (3), 439K449. (1952a) Arbeitslohnkomponenten und ihre Wechselwirkung. In: Zeitschrift für die gesamte Staatswissenschaft 108 (3), 495K503. (1952b) Die Naturwissenschaft, die Technik und der Mensch. Köln: Westdt. Verl. (Arbeitsgemeinschaft für Forschung des Landes Nordrhein-Westfalen; 8) (1952c) On mathematical analysis of style. In: Biometrika 39 (1/2), 122K129. (1952d) Mathematische Analyse des literarischen Stils. In: Studium generale 6 (9), 506K523. (1954) On Nahordnung and Fernordnung in samples of literary texts. In: Biometrika 41, 116K132. (1955a) Eine statistische Verteilung mit Vorbelegung. Anwendung auf mathematische Sprachanalyse. In: Naturwissenschaften 42 (1), 10. (1955b) Mathematische Analyse von Sprachelementen, Sprachstil und Sprachen. Köln: Westdt. Verl. (Arbeitsgemeinschaft für Forschung des Landes Nordrhein-Westfalen; 34a).

157 (1955c) Mathematical theory of word-formation. In: Information theory. (Hrsg. C. Cherry). 3. London symposium on information theory, Sept. 12K 16, 1955. London: Butterworth, 154K170. (1955d) Theorie der Wortbildung. In: Mathematisch-Physikalische Semesterberichte 4 (3/4), 195K 212. (1955e) Unterschied von Dichtern und Schriftstellern nach der mathematischen Stilanalyse. In: Sprachforum 1 (3/4), 234K244. (1956a) Die mathematischen Gesetze der Bildung von Sprachelementen aus ihren Bestandteilen. In: Nachrichtentechnische Zeitschrift 3 (7), 7K21. (1956b) Zur Deutung einfachster mathematischer Sprachcharakteristiken. Köln: Westdt. Verl. (Forschungsberichte des Wirtschafts- u. Verkehrsministeriums Nordrhein-Westfalen; 344). (1957) Gibt es mathematische Gesetze in Sprache und Musik? In: Die Umschau 57 (2), 33K37. (1958) Mathematische Analyse der Formalstruktur von Musik. Köln: Westdt. Verl. (Forschungsberichte des Wirtschafts- u. Verkehrsministeriums Nordrhein-Westfalen; 357). (1960). Mathematische Analyse von Werken der Sprache und Musik. In: Physikalische Blätter 16 (9), 452K459. (1961) Mathematische Musikanalyse und Randomfolgen. Aachen: Techn. Hochschule. (1962) Mathematical analysis of formal structure of music. In: IRE transactions on information theory IT-8 (5), 225K228. (1963) Mathematische Analyse von Formalstrukturen von Werken der Musik. Köln: Westdt. Verl. (Arbeitsgemeinschaft für Forschung des Landes Nordrhein-Westfalen; 124). (1964) Über mathematische Musikanalyse. In: Nachrichtentechnische Zeitschrift (1), 41K47. (1965a) Exaktwissenschaftliche Musikanalyse. Mit J. Lauter. Köln: Westdt. Verl. (Arbeitsgemeinschaft für Forschung des Landes Nordrhein-Westfalen; 1519). (1965b) Formeln zur Macht. Stuttgart: Dt. Verl.Anst. Mehrere Auflagen. (1965c) Mathematische Analyse des literarischen Stils. Mit J. Lauter. In: Mathematik und Dichtung. (Hrsg. H. Kreuzer/R. Gunzenhäuser). München: Nymphenburger Verl., 107K122. (1968) Nach allen Regeln der Kunst. Diagnosen über Literatur, Musik, bildende Kunst K die Werke, ihre Autoren und Schöpfer. Stuttgart: Deutsche Verl.-Anst. (1969) Literatur eignet sich nicht für eine mathematische Behandlung K oder doch? In: IBMNachrichten 198, Dez. 1969. (1970a) Analysen formaler Eigenschaften von Texten mit mathematischen Hilfsmitteln. In: Der Berliner Germanistentag 1968. (Hrsg. K. H. Borck/ R. Henss). Heidelberg: Winter, 42K52.

158

I. Allgemeines / General

(1970b) Über eine exakte Wissenschaft von der Literatur. In: Aspekte 3, 34K37. (1970c) Über formale Struktureigenschaften musikalischer Partituren. In: Experimentelle Musik. (Hrsg. F. Winckel). Berlin: Mann, 33K58. (1971a) Possibilities of exact style analysis. In: Patterns of literary style. (Hrsg. J. Strelka). Pennsylvania State Univ. Press, 51K76. (1971b) Über den Gesetzesbegriff einer exakten Literaturwissenschaft, erläutert an Sätzen und Satzfolgen. In: Zeitschrift für Literaturwissenschaft und Linguistik 1 (1/2), 113K137. (1972) Maß und Zahl bei Dürer, Maß und Zahl heute. In: Am Beispiel Dürers. (Hrsg. H. Glaser). München: Bruckmann, 26K68. (1975) Gesetze der Dichtung. In: Bild der Wissenschaften, 78K84. (1978) Mächte von morgen. Stuttgart: Dt. Verl.Anst.

7.

Literatur (in Auswahl)

Bauer, Hans-Joachim (1976), Statistik, eine objektive Methode zur Analyse von Kunst? In: International review of the aesthetics and sociology of music 7, 249K263. Best, Karl-Heinz/Altmann, Gabriel (1996), Zur Länge der Wörter in deutschen Texten. In: Glottometrika 15. (Hrsg. P. Schmidt). Trier: Wissenschaftlicher Verlag, 166K180. Grotjahn, Rüdiger (1982), Ein statistisches Modell für die Verteilung der Wortlänge. In: Zeitschrift für Sprachwissenschaft 1, 44K75. Piotrowski, Rajmund G./Bektaev, K. B./Piotrowskaja, A. A. (1985), Mathematische Linguistik. Bochum: Brockmeyer. Wagner, Günther (1976), Exaktwissenschaftliche Musikanalyse und Informationsästhetik. In: International review of the aesthetics and sociology of music 7, 63K76.

Dieter Aichele, Worms (Deutschland)

11a. Mathematical aspects and modifications of Fucks’ Generalized Poisson Distribution (GPD) 1. 2.

5. 6.

Historical context Fucks’ Generalized Poisson Distribution (GPD) A generalization of the Fucks GPD (Fucks-Gačečiladze distribution) The Fucks GPD: parameter estimation based on µ, µ2, and first-class frequency (Bartkowiakowa/Gleichgewicht) Summary Literature (a selection)

1.

Historical context

3. 4.

German physicist Wilhelm Fucks (1902K 1990) is well-known for his influential studies in the field of quantitative linguistics and stylistics in the 1950K70s (cf. chapter 11.). His inspiring works as to a scientific approach to text and language K motivated by the desire to find laws in the strict meaning of this word, not only in the realm of nature, but in the social and cultural spheres, as well K remain worth while being analyzed, still today. Actually, however, due to the alleged clash between natural and human sciences, only part of his suggestions and ideas have met sufficient attention in the scientific community. And even in those fields, where reference is made to his work, this is done only

with regard to particular aspects of his general approach. As to the study of language(s), for example, Fucks’ studies on word length, or sentence length, have been extremely influential. Fucks (1955a; 1955b; 1956b) assumed that the 1-displaced Poisson distribution might serve as a general standard model for theoretically describing word length frequencies in syllable-based languages. Thus, Fucks considered the 1-displaced Poisson distribution to be the “mathematical law of the process of word-formation from syllables for all those languages, which form their words from syllables” (Fucks 1955b, 209). Fucks’ assumption was generally accepted in the 1960s and 70s; it inspired many follow-up studies all over the world, and the model suggested by him led to the fact that the 1-displaced Poisson distribution began to be termed “Fucks distribution” by the linguist community. The general celebration of this model as the Fucks distribution remained unchanged, when scholars began to realize that a Russian military doctor from Sankt Petersburg, Sergej Grigor’evič Čebanov (1897K1966), had tried to find a general model for the dis-

159

11a. Mathematical aspects and modifications of Fucks Generalized Poisson Distribution (GPD)

tribution of words according to the number of syllables, as early as in the 1940s. In fact, Čebanov was one of the first to propose a theoretical model of word length frequencies, which he considered to be valid for various languages (cf. Grzybek 2005). Having observed a specific relation between the mean word length λ of a text and the relative frequencies pi of the individual word length classes, Čebanov was the first to suggest the Poisson distribution as a general model for various languages. Since the texts studied by Čebanov contained no zero-syllable words, he suggested the 1-displaced Poisson distribution K see below, (22) K as an appropriate model for his data from various languages. Therefore, the 1-displaced Poisson distribution became to be referred to as the “Čebanov-Fucks distribution” by many linguists, thus adequately honoring the pioneering work of Čebanov. Despite this historical correction, it was rather Fucks than Čebanov, who would be credited for having established the 1-displaced Poisson distribution as a standard model for word length frequency distributions. In a way, this high estimation of Fucks’ is justified, since Fucks based his ruminations on elaborate mathematical ideas and embedded them in a broader context. Still, the appreciation covers only part of Fucks’s merits, since, in his concept, the 1-displaced Poisson distribution turns out to be one special case of a much more general model. This generalized model, which shall be termed Fucks’ Generalized Poisson Distribution (GPD) throughout this chapter, is a specific generalization of the Poisson distribution; in fact, we are concerned with a sum of weighted Poisson probabilities from which, under particular conditions, various special cases may be derived. However, this generalization takes no prominent place in Fucks’ linguistic analyses; rather, he mentioned it in some of his publications (e. g., Fucks 1956a; 1956d). Therefore, it is not surprising that Fucks’ GPD has hardly ever been discussed in detail. Curiously enough, however, if at all, the Fucks GPD has been discussed more intensively by a Russian-reading audience, due to the Russian translation of one of Fucks’ articles in 1957 (see below, Sec. 3). In fact, in that context, Fucks’ theoretical assumptions were not only generally accepted, but also served as a starting point for new developments as to alternative ways of parameter estimation and even further generalizations.

The purpose of this chapter is to consider the concept of Fucks’ GPD more precisely, as well as the above-mentioned modifications and generalizations. Since, in most cases, the relevant works are not systematic in their approaches, the corresponding derivations shall be calculated and presented, in detail.

2.

Fucks’ Generalized Poisson Distribution (GPD)

Assuming any text generation to be a stochastic process, Fucks arrived at a model, which later became to be known as the Fucks binomial distribution (cf. Fucks 1956a, 12). The derivation of the model need not be explained here, in detail. Ultimately, we are concerned with a generalization of the well-known binomial distribution as a sum of weighted binomial probabilities. Precisely, the Fucks binomial distribution is given as follows: N

pi Z P (X Z i) Z ∑ (εk K εkC1)$

( )

kZ0

n K k iKk $ q (1 K q)nKi. iKk

(1)

Here, the random variable X denotes the number of syllables per word, i. e. X Z i, i Z 0, 1, 2, 3, ..., n; pi Z P (X Z i) is the probability that a given word has i syllables, n

with

∑ pi Z 1; iZ0

0 ! p ! 1; q Z 1 K p; the

specific weights are denoted by εk, k indicating the number of components to be analyzed. The expected value or mean value is found to be µ Z (n K ε#) q C ε# with N

ε# Z

∑ εk. kZ1

Furthermore, for n / N and q / 0, with the condition µ K ε# Z (n K ε#) q Z constant, the Fucks binomial distribution (1) converges to the Fucks GPD, which shall be focused upon in this section. Generally speaking, Fucks’ GPD can be understood to be a sum of weighted Poisson probabilities. The corresponding weights are denoted by (εk K εkC1), k indicating the number of components to be analyzed. The Fucks GPD distribution is given by pi Z P (X Z i) N

λiKk

kZ0

(i K k)!

Z eKλ ∑ (εk K εkC1) $

.

(2)

160

I. Allgemeines / General

Here, the random variable X denotes the number of syllables per word, i. e. X Z i, i Z 0, 1, 2, 3, ..., I; pi Z P (X Z i) is the probability that a given word has i syllables, with I

∑ pi Z 1; iZ1

N

λ Z µ K ε#, ε# Z ∑ εk and kZ1

µ Z E (X), i. e. µ is the expected number of syllables per word. The parameters of the distribution {εk} are called the ε-spectrum. For (2), the following conditions were postulated by Fucks: (a) the condition εk K εkC1 R 0 implies that εkC1 % εk; (b) since the sum of all weights equals 1, we have

2.1.1. The probability generating function In a first step, it seems reasonable to determine the probability generating function of the Fucks GPD. Generally speaking, the probability generating function is useful in simplifying mathematical proofs for discrete distributions. Given the generating function of the Fucks GPD, and knowing the statistical relations between the probability generating function and the moments of a distribution, the factorial, initial and central moments of Fucks’ GPD will easily be derived. Let X be a random variable with values in {0, 1, 2, ...}. The probability generating function is then defined by

N

1 Z ∑ (εk K εkC1) kZ0 N

N

kZ0

kZ0

Z ∑ εk K ∑ εkC1 Z ε0 ; (c) from (a) and (b), we obtain 1 Z ε0 R ε1 R ε2 R ε3 R ... R εk R εkC1 ... It should be noted that (2) remains a valid probability distribution even when condition (a) is dropped. This more general case is not the aim of this chapter, but it will be discussed in subsequent papers. In the following section, we go more into details, concentrating on the derivation of the Fucks’ GPD and its generating function. Our aim will be to determine the unknown εk values which characterize the Fucks’ GPD as given in equation (2). 2.1. The probability generating function and moments Let us assume that the frequency distribution of some linguistic element is given; furthermore, we expect Fucks GPD (2) to fit the empirical data. Therefore, we know the theoretical representation of the observed distribution, if we find the estimated values of εk and λ. As to the estimation of the εk values, Fucks (1956d, 165) suggested to apply the method of moments. Since the moments are represented as polynomials in εk, one obtains algebraic equations for the εk, and the estimates by way of equating the theoretical with the empirical moments. The estimation process is rather complex because many equations with unknown parameters εk ask for their solution. For many linguistic problems, it is sufficient, however, to indicate only a few moments of a given distribution. Below, it will be shown that the estimation process is easier for simple special cases of the Fucks GPD.

N

G (t) Z ∑ pi t i Z E (t X) ,

(3)

iZ0

where pi Z P (X Z i), i Z 0, 1, 2, ... Having G (t) at our disposal, it is easy to find all factorial moments µ(k) by differentiating function G (t) k-times, and setting t Z 1, i. e. µ (k) Z

∂ kG (t) ∂t k

|

tZ1

N

Z

∑ i (i K 1) .

iZ0

(i K k C 1) pi.

(4)

Multiplying the expressions in parenthesis, we can represent the factorial moments in terms of the initial moments. For our purposes, we need the first three initial moments, which are given as N

µ (1) Z ∑ i pi Z µ#1 Z E (X) iZ0 N

N

N

iZ0

iZ0

iZ0

µ (2) Z ∑ i (i K 1) pi Z ∑ i 2 pi K ∑ i pi Z µ#2 K µ#1 N

µ (3) Z ∑ i (i K 1) (i K 2) pi iZ0 N

Z ∑ (i3 K 3i2 C 2i) pi iZ0

Z µ#3 K 3µ#2 C 2µ#1.

(5)

The central moments, too, can be represented in terms of the factorial moments which are given as: µ2 Z Var (X) Z µ#2 K (µ#1)2 Z µ(2) C µ(1) K µ2(1) µ3 Z µ(3) C 3µ(2) C µ(1) K 3µ(1) µ(2) K K 3 (µ(1))2 C 2 (µ(1))3 .

(6)

161

11a. Mathematical aspects and modifications of Fucks Generalized Poisson Distribution (GPD)

Knowing the probability generating function G (t), one can find all probabilities pi as the coefficients of t i by differentiating function G (t) i-times and setting t Z 0, i. e. pi Z

∂iG (t)

1 i!

$

∂t i

|

(7)

tZ0

Using equation (3), we can easily find the probability generating function of the Fucks GPD as N

G (t) Z e

λ (tK1)

∑ (εk K εkC1)t . k

(8)

kZ0

Fucks did not present the relevant calculation, in detail; rather, he discussed the results of these calculations and gave an idea how to arrive at the moments of the distribution, as a result of taking the probability generating function into consideration (cf. Fucks 1956c, 523). Before going into details as to the problem of the moments, it is necessary to note that there are three important relations, which are useful for finding the factorial moments:

that belong to the class i (absolute frequencies). Let us first concentrate on the definition of the theoretical factorial moments. Given that ∂kG (t)

µ(k) Z

|

tZ1 ∂tk Z E (X (X K 1) . (X K k C 1)),

(10)

it is possible to determine the factorial moments by differentiating the generating function G(t) k times, as was mentioned in Sec. 2.1.1. The first derivative of G (t) is given as ∂G (t) ∂t

N

Z e λ(tK1)λ ∑ (εk K εkC1)t k C kZ0 N

Ce

λ(tK1)

∑ ktkK1 (εk K εkC1) .

kZ0

Substituting t Z 1 in the first derivative of G(t), one obtains the first factorial moment: µ(1) Z

∂k G (t) ∂t

|

N

Z λ ∑ (εk K εkC1) C

tZ1

kZ0

N

∑ (εk K εkC1) Z ε0 Z 1 N

1

N

C ∑ k (εk K εkC1) Z λ C ε# Z µ.

kZ0

N

∑ k (εk K εkC1) Z kZ1 ∑ εk

ε#

kZ0 N

N

∑ k2 (εk K εkC1) Z kZ1 ∑ (2k K 1)εk .

(11)

kZ0

(9)

kZ0

Since the second derivative of G (t) is given as ∂2G (t)

2.1.2. Factorial moments Let us now concentrate on the factorial moments of the Fucks GPD. In doing so, we assume that the probability function, given in (2), is known, except for its parameters εk. Hence, our further investigation has to be concentrated on the estimation of the parameters εk, by way of recourse to the moments of the sample. As was mentioned above, the simplest method, also recommended by Fucks, is the method of moments; substituting the theoretical moments by the empirical ones, we obtain the estimates of the unknown parameters. Each text contains N words (w1, w2, ., wN). Word length is measured in syllables and can be different for each word; xj Z i denotes the word length of word wj, where j Z 1, 2, ., N; i Z 0, 1, 2, ., I. Actually, we are concerned with words of zero, one, two, three, ..., or I syllables. The whole number of words are divided into I C 1 frequency classes; fi refers to the number of elements

∂t 2

N

Z e λ(tK1) λ2 ∑ (εk K εkC1) t k C kZ0 N

C 2e λ(tK1)λ ∑ k (εk K εkC1) t kK1 C kZ0

N

C e λ(tK1) ∑ k (k K 1) (εk K εkC1) t kK2, kZ0

the second derivative of G (t) for t Z 1 results in the second factorial moment: µ(2) Z

∂2G (t) ∂t 2

|

tZ1

N

N

kZ0

kZ0

Z λ2 ∑ (εk K εkC1) C 2λ ∑ k (εk K εkC1) C ε

1

N

C ∑ k (k K 1) (εk K εkC1) kZ0

N

N

∑ (2k K 1)εk K∑ εk

kZ1

kZ1

N

Z λ C 2λε# C 2 · ∑ k$εk K 2ε#. 2

kZ1

#

162

I. Allgemeines / General

Written in a different way, with µ Z λ C ε#, we thus have: N

µ(2) Z µ2 K ε#2 K 2ε# C 2 ∑ kεk .

(12)

kZ1

Analogically, the third derivative of G (t) is given as ∂3 G (t) ∂t 3

N

Z e λ(tK1) λ3 ∑ (εk K εkC1) t k C kZ0 N 2

∑ k (εk K εkC1) t kK1 C

C 3e λ(tK1) λ

kZ0 N

C 3e λ(tK1) λ ∑ k (k K 1) (εk K εkC1) t kK2 C kZ0

N

Ce

λ(tK1)

∑ k (k K 1) (k K 2) (εk K εkC1) t kK3 .

kZ0

For t Z 1, the third derivative of G (t) thus provides the third factorial moment: N

N

kZ0

kZ0

µ(3) Z λ3 ∑ (εk K εkC1) C 3λ2 ∑ k (εk K εkC1) C 1 N

C 3λ ∑ k (k K 1) (εk K εkC1) C kZ0

N

ε# N

∑ k (k K 1) (k K 2) (εk K εkC1)

kZ0

N

∑ (2k K 1)εk K∑ εk

(

kZ1

kZ1

N

)

N

N

kZ1

kZ0

Z λ3 C 3λ2ε#C 3λ 2 ∑ kεk K 2ε# C ∑ k3 (εk K εkC1) K 6 ∑ kεk C 5ε#. kZ1

Again, written in a different way, with µ Z λ C ε#, we have:

N

N

µ2 Z µ K ε#2 K 2ε# C 2∑ kεk

µ(3) Z ∑ k3 (εk K εkC1) C kZ0

kZ1

N

N

C 6 (µ K ε#K1) ∑ kεk C 5ε# C

Z µ K ε# C 2∑ (k K 1) εk 2

kZ1

kZ1

µ3 Z µ C 2ε#3 C 3ε#2 K ε# K

C µ3 K 3µε#2 C 2ε#3 K K 6ε#µ C 6ε#2.

(13)

For an empirical distribution, the k-th factorial moment will consequently be calculated as 1

N

N

kZ1

kZ0

K 6ε#∑ kεk C ∑ k3 (εk K εkC1).

(14)

which serves as an estimate for the k-th theoretical factorial moment µ(k) 2.1.3. Central moments As to the estimation of the unknown parameters εk, Fucks (1956a, 12) suggested their calculation by reference to the central moments µk. In analogy to the procedure discussed above (cf. Sec. 2.1.1.), the second and third central moments of the Fucks GPD

(15)

The empirical central moment of the order k mk Z

I

$ ∑ [i (i K 1) (i K 2) N iZ0 . (i K k C 1) fi ],

m(k) Z

can be determined, using their relations to the factorial moments, given as

1 NK1

· ∑ (i K x¯)k · fi

(16)

i

is an estimate of the k-th theoretical central moment µk. For example, the second central moment (estimate for the variance σ 2) will be calculated as: m2 Z

1 NK1 1

Z NK1

· ∑ (i K x¯)2 · fi i

·

(∑ f · i K N · x¯ ). 2

i

i

2

(17)

2.1.4. Initial Moments The estimation of the unknown parameters can also be based on the initial moments of

11a. Mathematical aspects and modifications of Fucks Generalized Poisson Distribution (GPD)

a given distribution, as will be demonstrated below (cf. Sec. 3.). In this case, the parameters εk will be estimated not with recourse to the central moments, but to the initial moments of the empirical distribution. Now, knowing the theoretical factorial moments and the relations between factorial and initial moments, one can easily determine the theoretical initial moments for the Fucks GPD. The first three initial moments of the Fucks generalized distribution can be derived from equation (5): µ#1 Z µ(1) Z µ µ#2 Z µ(2) C µ(1) N

Z µ 2 C µ K ε#2 K 2ε# C 2 ∑ kεk

eters taken into consideration, one may distinguish one-, two-, and three-parameter special cases of Fucks’ GPD, which will be considered in this order. 2.2.1. A one-parameter special case (Fucks-Čebanov Distribution) Let us first direct our attention to the oneparameter model as the simplest of all special cases mentioned. As can be seen from equation (2), the Fucks GPD includes the Poisson distribution and the 1-displaced Poisson distribution, as two of its special cases. Assuming that ε0 Z 1 and ε1 Z ε2 Z ε3 Z ... Z 0, the Fucks GPD (2) leads to the Poisson distribution:

kZ1

µ#3 Z µ3 C 3µ2 C µ C 2ε#3 C 3ε#2 K ε# K

pi Z

eKλ · λi i!

N

K 3µε#2 K 6µε# C ∑ k3 (εk K εkC1) C N

kZ0

C 6 (µ K ε#)∑ kεk.

(18)

kZ1

By the method of moments, E (X) Z µ is estimated as the arithmetical mean. We thus obtain (19) as the estimate of the first initial moment µ: m#1 Z x¯ Z

1 N

I

· ∑ i · f i.

(19)

iZ1

Generally, the k-th initial moment will be estimated as m#k Z

1 N

I

· ∑ i k · f i.

(20)

iZ1

2.2. Special cases of the Fucks GPD As was mentioned above, the Fucks GPD has hardly ever been applied to linguistic material. As to this question, Fucks favored the 1-displaced Poisson distribution, which he considered to be the “mathematical law of the process of word-formation from syllables for all those languages, which form their words from syllables” (cf. Fucks 1955b, 209). It seems to be this particular focus on the 1-displaced Poisson distribution, why this model, though being only one special case of this GPD, has often been assumed to be “the Fucks distribution”. In this section, it will be shown that the 1-displaced Poisson distribution is a special case of the Fucks GPD; additionally, two more special cases which can be derived from the Fucks GPD, will be discussed in detail: depending on the number of param-

163

, i Z 0, 1, 2 ...

(21)

where λˆ Z x¯. If we choose ε0 Z ε1 Z 1 and ε2 Z ε3 Z ... Z 0 (i. e. assuming our sample has no zero-syllable words), we obtain the 1-displaced Poisson distribution: pi Z eKλ ·

λiK1 (i K 1)!

, i Z 1, 2, ...

(22)

Here, λ Z µK1, µˆ Z x¯. Fucks repeatedly applied the 1-displaced Poisson distribution to linguistic data from various languages. Unfortunately, he did not, however, calculate any tests to check the significance of the goodness of his fits, as was quite usual at his time. In order to compensate this lack, one of the possibilities would be to calculate Pearson’s χ2, as defined by formula (23): (fi K Ei)2 . Ei iZ1 I

χ2 Z ∑

(23)

In formula (23), I denotes the number of classes, fi is the observed absolute frequency of a given class, and Ei is the theoretical absolute frequency. The statistical significance of this χ2 value depends on the degrees of freedom (d. f.) of the corresponding χ2 distribution, which are calculated with regard to the number of classes I minus 1, on the one hand, and the number of parameters k, which have to be estimated, on the other hand: d. f. Z I K k K 1. Being convinced that his data were not particularly adequate for the application of the χ2 test, Fucks went a different way and tried to empirically prove the adequacy of this model, using graphical techniques, only. One of the reasons for Fucks’ rejection of the the χ2 test

164

I. Allgemeines / General

probably is the fact that the χ2 value linearly increases with an increase of the sample size K and linguistic samples tend to be rather large. From a contemporary point of view, to avoid this problem, it has become a common practice to calculate a standardization of χ2 scores. Thus, in contemporary linguistics, the so-called discrepancy coefficient (C) meets broad acceptance, being defined as C Z χ2 / N. The discrepancy coefficient has the advantage that it is not dependent on the degrees of freedom. One speaks of a good fit for C ! 0.02, and of a very good fit for C ! 0.01. It seems reasonable to run a re-analysis of linguistic data given by Fucks, and to statistically test the goodness of fit of the 1-displaced Poisson distribution, including the χ2 value as well as the discrepancy coefficient C. Unfortunately, Fucks never presented any raw data (what was quite usual at his times); rather, he confined himself to presenting relative instead of absolute frequencies. This fact renders it almost impossible to control the results at which he arrived; the only way to do a re-analysis, is to create artificial samples of ca. 10.000 each, by way of multiplying the relative frequencies given by him with 10.000. Table 11a.1 represents data from various languages presented by Fucks (1956a, 10;

Table 11a.1: Relative frequencies and mean word length for different languages (Fucks 1956a) English German Esperanto Arabic Greek 1 2 3 4 5 6 7 8

0.7152 0.1940 0.0680 0.0160 0.0056 0.0012 K K

0.5560 0.3080 0.0938 0.0335 0.0071 0.0014 0.0002 0.0001

0.4040 0.3610 0.1770 0.0476 0.0082 0.0011 K K

0.2270 0.4970 0.2239 0.0506 0.0017 K K K

x¯ 1.4064

1.6333

1.8971

2.1032 2.1106

Japanese Russian Latin

Turkish

0.3620 0.3440 0.1780 0.0868 0.0232 0.0124 0.004 0.0004 0.0004

0.3390 0.3030 0.2140 0.0975 0.0358 0.0101 0.0015 0.0003 K

0.2420 0.3210 0.2870 0.1168 0.0282 0.0055 0.0007 0.0002 K

0.1880 0.3784 0.2704 0.1208 0.0360 0.0056 0.0004 0.0004 K

x¯ 2.1325

2.2268

2.3894

2.4588

1 2 3 4 5 6 7 8 9

0.3760 0.3210 0.1680 0.0889 0.0346 0.0083 0.0007 K

1956d, 157). In addition to the relative frequencies of x-syllable words, also mean word length for each of the nine languages are contained. Table 11a.2 represents the results of the goodness-of-fit test, giving the C values for each language. It is obvious that the 1-displaced Poisson distribution is not equally appropriate for the linguistic data given by Fucks: the model is appropriate only for Esperanto (best fit), Latin, and German, but inappropriate for the remaining six languages. One reason for this failure might be the fact that the data for each of the languages originated from text mixtures, not from individual texts. Therefore, the material might be characterized by an internal heterogeneity, violating the statistical principle of data homogeneity. Since this point cannot be pursued in detail, here, it will be ignored, and Fucks’ data shall be used throughout this text, understanding them as exemplary linguistic data. Table 11a.2: Discrepancy coefficient C as a result of fitting the 1-displaced Poisson distribution to different languages (Fucks 1956a) English

German Esperanto Arabic

Greek

0.0903

0.0186

0.0328

0.0023

0.1071

Japanese Russian Latin

Turkish

0.0380

0.0231

0.0208

0.0181

Another way to test the 1-displaced Poisson distribution has been presented by Grotjahn (1982). Grotjahn discussed the 1-displaced Poisson distribution, particularly focusing the question, under which empirical conditions this model may turn out to be adequate for word length frequencies. Again, faced with the problem of the χ2 test for the analysis of linguistic data, Grotjahn (1982, 53) suggested to calculate the dispersion quotient (δ), defined as the quotient of the theoretical values for the variance (σ2) and the mean (µ): δZ

σ2 µ

.

(24)

For r-displaced distributions, the corresponding equation is δZ

σ2 µKr

,

r being the displacement parameter.

(25)

11a. Mathematical aspects and modifications of Fucks Generalized Poisson Distribution (GPD)

It goes without saying, that the coefficient δ can be estimated from the data as dZ

m2 x¯ K r

.

(26)

Table 11a.3: Values of the dispersion quotient d for different languages English

German Esperanto Arabic

Greek

1.3890

1.1751

1.2179

0.9511

0.5964

Japanese Russian Latin

Turkish

1.2319

0.8015

1.1591

0.8704

Now, it is easy to check the goodness of fit of the Poisson model to empirical data. For this purpose, it is necessary to calculate the empirical value d, and to compare it with the theoretical value δ. Since, for the 1-displaced Poisson distribution, the variance Var (X) Z σ 2 Z µ K 1 and E (X) Z µ, we have δZ

µK1 µK1

Z 1.

There is an important consequence to be drawn from the fact that, for the 1-displaced Poisson distribution, δ Z 1: it can be an adequate model only as long as an empirical sample delivers d z 1. Therefore we calculate the d values for each of the nine languages represented in Table 11a.1 above; the results are given in Table 11a.3. Now checking again the adequacy of the 1-displaced Poisson distribution, as represented in Table 11a.2, and comparing it with the d values in Table 11a.3, it can easily be seen that in fact, there is no good fit (C O 0.02) for those cases where d is significantly different from d Z 1. Summarizingly, we can thus say that, although Fucks himself did not apply any test to check the goodness-of-fit for the 1-displaced Poisson distribution, and although the graphical illustrations of Fucks’ fittings force us to believe that the 1-displaced Poisson distribution can be expected to be adequate, statistical tests show that is the case only for samples with d z 1. In other words: the 1-displaced Poisson distribution must be rejected as an acceptable, overall valid standard model for word length frequencies. With this conclusion in mind, the next logical step is an analysis of Fucks’ two- and three-parameter special cases of his GPD.

165

2.2.2. A two-parameter special case (Dacey-Poisson Distribution) In the previous section, the Poisson distribution was discussed, both in its ‘ordinary’ and in its 1-displaced form, as a one-parameter special case of the Fucks GPD. In either case, only one parameter (λ) has to be estimated. In this section, we will concentrate on another special case of the Fucks GPD, with two parameters to be estimated. Setting ε0 Z 1, ε1 Z α and εk Z 0, k R 2 in Fucks GPD (2), yields a two-parameter distribution. This distribution, which tends to be termed Dacey-Poisson distribution in contemporary research (cf. Wimmer/Altmann 1999, 111), has been discussed by Fucks (1955b, 207) as another special case of his GPD, though not by this name, and only in its 1-displaced form K see below, (29). In its ordinary form, it takes the following shape: pi Z (1 K α)

eKλ λi

Cα

eKλ λiK1

, (i K 1)! i Z 0, 1, 2, ... (27) with λ Z µ K α. In addition to λ, a second parameter (α) has to be estimated, which, referring to (15), can be estimated as αˆ Z Ox¯ K m2. Before analyzing this model (in its 1-displaced form) and testing its adequacy, it seems worthwhile mentioning, that on particular conditions, namely for µ Z 2α, ε0 Z 1, ε1 Z α and εkZ 0, k R 2, the Fucks GPD implies the so-called Kemp-Kemp-Poisson distribution (cf. Wimmer/Altmann 1999, 344) with: pi Z (1 K α)

eKλ · λi i! ·α

e

Kα

Z (1 K α) e

Kα

Z i!

·α

i!

i!

Cα

i

Cα

eKλ · λiK1 (i K 1)! eKα · αiK1 (i K 1)!

i

· (i K α C 1) ,

i Z 0, 1, 2, ... (28) Here, we have λ Z µ K α Z α. Similarly, for ε0 Z ε1 Z 1, ε2 Z α and εk Z 0, k R 3, the 1-displaced Dacey-Poisson model results from the Fucks GPD (2) (cf. Wimmer/Altmann 1999, 111) as pi Z (1 K α) · eKλ C α · eKλ

λiK1 (i K 1)!

λiK2

C

, i Z 1, 2, ...,

(i K 2)!

(29)

166

I. Allgemeines / General

with λ Z µ K α K 1. In this case, α can be estimated as αˆ Z Ox¯ K 1 K m2 , what can be concluded from equation (15). Now, turning to the two-parameter Dacey-Poisson distribution (29), discussed by Fucks (though not by this name), it might be interesting to apply this model to Fucks’ data (cf. Table 11a.1) and relate the results to the values of the dispersion quotient (cf. Table 11a.3). For this purpose, a re-analysis of Fucks’ data is necessary. The results are represented in Table 11a.4, indicating the values of the discrepancy coefficient C for each language, as a result of fitting the 1-displaced Dacey-Poisson model.

of Esperanto, Arabic, Latin and Turkish: in all these cases, the d value is smaller than 1. This rather poor result leads to the question whether the three-parameter special case of the Fucks GPD is more adequate as an overall model for his data. 2.2.3. A three-parameter special case In case of the three-parameter model, in addition to µ, two more parameters (ε2 and ε3) from the whole ε-spectrum have to be estimated. Setting ε0 Z ε1 Z 1 and εk Z 0, k R 4, and ε2 Z α, ε3 Z β, results in the three-parameter special case of the Fucks GPD: pi Z P (X Z i) 3

Table 11a.4: Discrepancy coefficient C as a result of fitting the 1-displaced (two-parameter) DaceyPoisson distribution to different languages English C K d 1.3890

German Esperanto Arabic Greek K 1.1751

0.0019 0.9511

Japanese Russian Latin C K d 1.2319

K 1.1591

0.0149 0.8704

0.0077 0.5964

K 1.2179

Turkish 0.0021 0.8015

As can be seen from Table 11a.4, in some cases, the results are slightly better than those obtained from fitting the 1-displaced Poisson distribution (cf. Table 11a.2). Again, the best fit is obtained for Esperanto. The 1-displaced Dacey-Poisson model provides a very good fit for Arabic, in contrast to the 1-displaced Poisson model. In some cases, however, no valid results can be obtained; this is due to the fact that the estimate αˆ Z Ox¯ K 1 K m2 of α is not defined if x¯ K 1 % m2. In order to arrive at an explanation of this problem, we refer again to Grotjahn’s work, analyzing the theoretical scope of Fucks’ two-parameter model. Let us, in analogy to the procedure above, discuss the theoretical dispersion quotient δ for Fucks’ two-parameter distribution (29). Since in this case, Var (X) Z µ K 1 K ε 22 and E (X) Z µ, it turns out that δ % 1. This means that the two-parameter model is likely to be adequate as a theoretical model for empirical samples with d % 1. Now, once again checking the dispersion quotient d for the specific languages (cf. Table 11a.4), it becomes clear, why the results for the two-parameter model are appropriate only in case

Z eK(µK1KαKβ) ∑ (εk K εkC1) · kZ1

(µ K 1 K α K β)iKk . · (i K k)!

(30)

Replacing λ Z µ K 1K α K β, the probability function has the following form: p1 Z eKλ · (1 K α) p2 Z eKλ · [(1 K α) · λ C (α K β)]

[

pi Z eKλ (1 K α) C (α K β)

λiK1 (i K 1)!

λiK2 (i K 1)!

Cβ

C λiK3 (i K 3)!

]

,

i R 3. (31) In the next step, α and β have to be estimated; in order to do so, we can use the second and third theoretical central moment of the Fucks GPD; according to (15), we thus obtain equation (32) µ2 Z µ K (1 C α C β)2 C 2 (α C 2β) Z µ K 1 K (α C β)2 C 2β µ3 Z µ C 2 (1 C α C β)3 K 3 (1 C α C β)2 K K 6 (α C β) (α C 2β) C 6β. (32) Simplifying the system of equations (32) with αC Z α C β, we get the following formula: µ2 Z µ K 1 K α2C C 2β µ3 Z µ C 2 (1 C αC)3 K 3 (1 C αC)2 K K 6αC (αC C β) C 6β 3 2 Z µ K 1C2αC K3αC K6αCβC6β.

(33)

The solution of the 2 ! 2 system (33) is a cubic equation with regard to parameter αC:

167

11a. Mathematical aspects and modifications of Fucks Generalized Poisson Distribution (GPD)

α3C K 3αC (µ K 1 K µ2) C µ3 K K 3µ2 C 2µ K 2 Z 0.

(34)

In other words: substituting the theoretical moments by the empirical ones and setting a Z αˆ C, we get a3 K 3a (x¯ K 1 K m2) C m3 K K 3m2 C 2x¯ K 2 Z 0.

(35)

As a result of this equation, three solutions are obtained, not all of which are necessarily real ones. For each real solution a (possibly ai, i Z 1, 2, 3), the values for ε2 Z α and ε3 Z β have to be estimated; this can easily be done by computer programs. Before further analyzing this estimation, let us remind that there are two important conditions: (a) ε2 Z α % 1 and ε3 Z β % 1, (b) ε2 Z α R β Z ε3. With these two conditions, we can now analyze the data presented in Table 11a.1, this time fitting Fucks’ three-parameter model. The results are listed in Table 11a.5; results not satisfying the two conditions above, are marked as :.

Relating these results to the d values of the individual languages (cf. Table 11a.3), one can also see that the three-parameter model may be an appropriate model for empirical distributions, in which d O 1 (what was a crucial problem for the two models described above). Thus, in the Russian sample, for example, where d Z 1.1590, the discrepancy coefficient is C Z 0.00054. However, as the results for the German and Japanese data (with d Z 1.175 and d Z 1.2319, respectively) show, d does not seem to play the decisive role in case of the three-parameter model. Obviously, there seem to be other limitations responsible for the possible inadequacy of this model. In fact, in each of these examples where there is no solution for Fucks’ three-parameter distribution, condition ε2 Z α R β Z ε3 is not fulfilled. Using the fact that a Z αˆ C βˆ implies aˆ Z a K βˆ , as well as m2 Z x¯ K 1 Ka2 C 2βˆ a2 C m2 K x¯ C 1 , condition implies βˆ Z 2 ˆ αˆ R β can be written as: 2a K a2 K m2 C x¯ K 1 2

Table 11a.5: Discrepancy coefficient C as a result of fitting Fucks’ three-parameter Poisson distribution to different languages English C : εˆ 2 K εˆ 3 K

German Esperanto Arabic Greek : K K

0.00004 0.3933 0.0995

Japanese Russian Latin C : εˆ 2 K εˆ 3 K

0.0005 0.2083 0.1686

0.0003 0.5728 0.2416

0.0021 : 0.5463 K K0.1402 K Turkish 0.0023 0.6164 0.1452

It can be observed that, quite reasonably, in some cases the results for the three-parameter model are better than those of the two models discussed above (cf. the results represented in Tables 11a.2 and 11a.4). As to the result for Arabic, it should be noted that the value for εˆ 3 is negative; this is due to the fact that we confine ourselves to Fucks’s conditions (a)K(c) outlined above (cf. Sec. 2). The introduction of the additional condition, 0 !εk !1, k Z 2, 3, results in another solution which is slightly worse, with εˆ 2 Z 0.7174, εˆ 3 Z 0.1805, C Z 0.0058. It can also be seen that there are no solutions for four of the languages, and it seems worth while trying to find an explanation for this finding.

R

R

a2 C m2 K x¯ C 1 2

.

(36)

We thus define the difference M Z x¯ K m2, i. e. the difference between the mean of the empirical distribution (x¯) and its variance (m2). As a result, equation (36) can be simplified to 2a K a2 C M K 1 R a2 K M C 1, Likewise, it can be written as: a2 K a C (KM C 1) % 0. As a consequence, one obtains the following two conditions: (a) The sum a Z εˆ 2 C εˆ 3 Z αˆ C βˆ must be in a particular interval for each of three possible solutions of a: ai 2

[

]

1 K O4M K 3 1 C O4M K 3 , 2 2 i Z 1, 2, 3.

Thus, there are two interval limits ai1 and ai2: ai1 Z

1 K O4M K 3 2

and ai2 Z

1 C O4M K 3 2

.

168

I. Allgemeines / General

Table 11a.6: Violations of the conditions for Fucks’ three-parameter model C εˆ 2 εˆ 3 a Z εˆ 2 C εˆ 3 ai1 ai2 ai1 ! a ! ai2

English

German

: K K

: K K

Esperanto

Arabic

Greek

!0.01 0.3933 0.0995

!0.01 0.5463 K0.1402

: K K

K0.0882 0.1968 0.8032 K

K0.1037 0.1270 0.8730 K

0.4929 K0.0421 1.0421 #

0.4061 K0.3338 1.3338 #

0.2799 0.4108 0.5892 K

x¯ m2 M Z x¯ K m2 M R 0.75

1.4064 0.5645 0.8420 #

1.6333 0.7442 0.8891 #

1.8971 0.8532 1.0438 #

2.1032 0.6579 1.4453 #

2.1106 1.3526 0.7580 #

C εˆ 2 εˆ 3

: K K

Japanese

a Z εˆ 2 C εˆ 3 ai1 ai1 ai1 ! a ! ai2 x¯ m2 M Z x¯ K m2 M R 0.75

Russian

Latin

Turkish

!0.01 0.2083 0.1686

!0.01 0.5728 0.2416

!0.01 0.6164 0.1452

K0.1798 ⺓ ⺓ K

0.3769 0.2659 0.7341 #

0.8144 K0.1558 1.1558 #

0.7616 K0.2346 1.2346 #

2.1325 1.3952 0.7374 K

2.2268 1.4220 0.8048 #

2.3894 1.2093 1.1800 #

2.4588 1.1692 1.2896 #

(b) In order to be a 2 ⺢, the root 4M K 3 must be positive, i. e. 4M K 3 R 0; therefore, M Z x¯ K m2 R 0.75. Inspecting the results in Table 11a.6, it can clearly be seen why, in four of the nine cases, the results are not satisfying: there are a number of violations, which are responsible for the failure of Fucks’ three-parameter model. These violations can be caused by two facts: (a) As soon as M ! 0.75, the definition of the interval limits of ai1 and ai2 involves a negative root K this is the case with the Japanese data, for example; (b) Even if the first condition is fulfilled with M R 0.75, fitting Fucks’ threeparameter model may fail, if a ! ai1 K this is the case for English, German, and Greek K or if a O ai2. The three-parameter Fucks’ model thus is adequate only for particular types of empirical distributions, and it can not serve as an overall model for language, not even for languages which form their words from syllables, as Fucks himself claimed. However, some of the problems faced might have their foundation in related issues.

As was mentioned above, one possible explanation might be the heterogeneity of the data material, inherent in any linguistic corpus; another reason might be motivated by the specific manner of estimating the parameters, suggested by Fucks K and this, in turn, might be the cause why some authors, though generally following Fucks’ line of thinking, tried to find alternative ways to estimate the parameters of the Fucks GPD.

3.

A generalization of the Fucks GPD (Fucks-Gačečiladze Distribution)

As to the reception of Fucks’ ideas, it is strange enough that they were relatively soon well-known among scholars from Eastern European and the former Soviet Union. Quite early, for example, three Georgian scholars, G. N. Cercvadze, G. B. Čikoidze, and T. G. Gačečiladze (1959), applied Fucks’ ideas to Georgian linguistic material, mainly concentrating on phoneme frequencies and word length frequencies. Their study, which was translated into German in 1962, was originally inspired by the Russian translation of Fucks’ English-written article “Mathemat-

169

11a. Mathematical aspects and modifications of Fucks Generalized Poisson Distribution (GPD)

ical Theory of Word Formation” (Fucks 1956d). In fact, Cercvadze, Čikoidze, and Gačečiladze (1959) based their analyses on Fucks’s generalization of the Poisson distribution. These authors, in turn, once more generalized Fucks’ model. This additional generalization is not explicitly discussed in the early 1959 paper; rather, these authors’ extension is represented in subsequent papers K cf. Gačečiladze/Cercvadze/Cˇikoidze (1961); Bokučava/Gačečiladze (1965), Bokucˇava et al. (1965), and Gačečiladze/Cilosani (1971). Basically, this extension contains an additional factor (φk), which, in turn, depends on three parameters: (a) the sum of all εk Z A (termed ε# by Fucks), (b) the mean of the sample (µ), and (c) the relevant class i. As a result, the individual weights of the Fucks GPD, defined as (εk K εkC1), are multiplied by the function φk. n

V (i; p, q) Z ∑ (εk K εkC1)$ kZ0

Unfortunately, Gačečiladze/Cilosani (1971, 114) do not exactly explain the process by which φk may be theoretically derived; they only present the final formula (39). In the earlier papers mentioned above (cf. Gačečiladze/Cercvadze/Čikoidze 1961, 5; Bokučava/Gačečiladze 1965, 174), some of the relevant ideas are presented, but not the exact procedure how to arrive at formula (39). The same lack of information characterizes subsequent reports on the Georgians’ work as, e. g., by Piotrovskij/Bektaev/Piotrovskaja (1977, 195). These Russian scholars, too, who term formula (39) the “Fucks-Gacečiladze distribution”, give no derivation of φk. Basically, the Gačečiladze generalization, resulting in the Fucks-Gačečiladze distribution (39), is based on the assumption that the process of text generation is a stochastic process; elaborating this assumption, Gačečiladze/Cercvadze/Čikoidze (1961, 5) arrive at the following formula, representing a sum of weighted binomial probabilities:

( )

n K k iKk iKk p q [1 K p C p (1 K q)]nKi. iKk

(37)

Here, the difference (εk K εkC1) represents the statistical weight of the system’s status before the beginning of the distribution process. If p 2 [0, 1], equation (37) takes the following form: n

P (i; q) Z ∑ (εk K εkC1)$ kZ0 n

Z ∑ (εk K εkC1)$ kZ0

( )∫ ( )∫ nKk iKk

nKk iKk

1

piKk qiKk [1 K p C p (1 K q)]nKi dp

0 1

(p $ q)iKk (1 K p q)nKi dp.

(38)

0

For q / 0, n / N, as the limit of (38), we obtain the generalized Fucks-Gačečiladze distribution (39): N (µ K A)iKk pi Z P (X Z i) Z eK(µKA) ∑ (εk K εkC1) $ φk (A, µ, i) (39) (i K k)! kZ0 with φk (A, µ, i) Z

1

C1

∫ (t C 1)

iKk K(µKA) $ t

2 K1

e

dt.

Here, µ denotes the mean word length: n

µ Z ∑ i P (X Z i)

(

iZ0

q Z 2

nK1

)

nK1

n K ∑ εk C ∑ εk kZ1

kZ1

In the next step, we want to represent formula (39) similarly as formula (2); denoting λ Z (µ K A), we thus obtain: N

λiKk

kZ0

(i K k)!

pi Z eKλ ∑ (εk K εkC1)

with A being defined as N

A Z ∑ εk !C N (the series converges). kZ1

φk (λ , i) Z

1

φk (λ, i)

C1

∫ (t C 1)

2 K1

iKk

eKλ $ t dt.

(40)

170

I. Allgemeines / General

Again, in (40) as well as in case of the Fucks GPD (2), the conditions ε0 Z 1 R εk R εkC1, k R 1 are stated. In principle, distribution (40) is the already known Fucks GPD, multiplied, however, by the function φk K cf. formula (2). As to φk, it can be shown that the following recurrent relation holds: φk Z K

2kK1 eKλ

k C $ φkK1. λ

λ

(41)

In order to prove relation (41), it is necessary to re-write function φk in a different form. Therefore denoting i K k Z l, and assuming that in the function φk, z Z (t C 1) λ, we can write: φl Z

1

∫ (t C 1) e

e 2 ∫ ( λ)

1 Z

Kλ $ t

λKz

·

Z

∫

2 λlC1

2kK1 eKλ ZK

z e

Kz

dz.

(42) 1 Z

e

1 Z

λ

· 2 λkC1

eλ

1

C · 2 λkC1

λ

(∫

Z

·

eλ

2 λkC1

∫z

kK1 Kz

e

kK1 Kz

·

eλ

2 λkC1

(∫

eλ 2 · λkC1

e

dz K

)

K (k · zkK1 eKz K zk eKz) dz 1 Z

·

eλ

2 λkC1

2λ

∫z

k Kz

0

e

dz.

()

N

∫

k (2λ)kKs · a s eKa da s 0

}

Γ (k C 1) K

sZ0

k · zkK1 eKz dz K

0

{ k

0

∫

Γ (k C 1) K

K eK2λ ∑

2λ

2λ

{

sZ0

)

0

)

k

0

∫

1

2 · λkC1

dz

Z

kK1 Kz

zk eKzdz K

0

K eK2λ ∑

K (zk eKz)#dz

Z

Z

0

2λ

2λ

N

eλ

)

)

∫

0

0

0

2λ

(∫ (∫

N

z k eKz dz K z k eKz dz

∫

0

e

dz

N

eλ

dz

2λ

∫k·z

e

K eK2λ (a C 2λ)k eKa da

k · zkK1 eKz dz K

k·z

·

k Kz

0

N

2λ

(∫

eλ

2 λkC1

2λ

K (2λ)k · eK2λ 1

·

∫z

2 λkC1

l

k 1 eλ C · · λ 2 λk

λ

k (2λ)kKs as s

2λ

eλ

·

2 λkC1 1

Let us prove (41), transforming the righthand side of the relation (41) and using (42): φk Z K

1

Z

0

2kK1 eKλ

()

k k (2λ)k a 0 C ... C (2λ)0 a k 0 k

sZ0

2λ

eλ

() ∑( ) k

Z

dz λ

0

1

(a C 2λ)k Z

φk Z

l

z

0

Substituting z Z a C 2λ in the transformed form of equation (42), and using the fact that

dt

2 K1 2λ

N

∫

Γ (a) Z z aK1 eKz dz, a O 0.

the following equations hold:

C1

l

Another way to express function φk would imply a recourse to the Γ function, defined as

()

}

k (2λ)kKs Γ (s C 1) . s

(43)

Comparing the two distributions (2) and (40), it can easily be seen that (40) yields the Fucks GPD, for φk / 1. Hence, the Fucks GPD turns out to be a special case of the Fucks-Gačečiladze distribution. Yet, as mentioned above, the Georgian authors only presented their generalization of Fucks’ GPD, without mathematical derivation. Also, they applied this generalized model to specific linguistic data (letter frequencies), but without empirically testing its goodness of fit (cf. Gačečiladze/Cercvadze/ Čikoidze, 1961, Bokučava/Gačečiladze 1965, Gačečiladze/Cilosani 1971). In the next step,

171

11a. Mathematical aspects and modifications of Fucks Generalized Poisson Distribution (GPD)

our aim is to estimate parameters εk which characterize distribution (40). Therefore, it is a tempting step to apply their generalized model and to observe in how far it improves the results obtained for the ordinary Fucks GPD. In a corresponding re-analysis, the value µ will be estimated by the sample mean, and the weight coefficients εk will be determined by the first three initial moments of the empirical distribution. The generating function corresponding to distribution (40) is given as: G (t) Z

1 e2λ (tK1) K 1 · · 2 λ (t K 1) N

·

∑ (εk K εkC1) t k. kZ0

Using the fact that µ(k) Z

∂k G (t) ∂tk

|

tZ1

(44)

,

it is easy to get the factorial moments of the distribution (40). The moments, derived from (44), are functions of µ and {εk}. Now, similarly as in case of the Fucks GPD, we will first determine the factorial moments, and then the initial moments of the FucksGačečiladze distribution. The set of relations (9) implies the following results. The first derivative of G (t) for t Z 1 provides the first factorial moment N

µ(1) Z ∑ (k C λ) (εk K εkC1) Z A C λ Z µ. kZ0

The second derivative of G (t) for t Z 1 provides the second factorial moment: µ(2) Z

1

N

∑ (6kλ C 4λ2 C 3k2 C 3k) · 3 kZ0 · (εk K εkC1)

N 4 Z (2λ K 2) A C λ2 C 2 ∑ kεk 3 kZ0

or, substituting λ Z µ K A, µ(2) Z

N 2 2 µ2 K µA K A2 K 2A C 2 ∑ kεk. 3 3 3 kZ1

4

or, substituting, λ Z µ K A, µ(3) Z 2µ3 K 2µ2A K 2µA2 K 6µA C 2A3 C N

C 6A2 C 5A C (6µ K 6A K 6) ∑ kεk C kZ0

N

C

∑k

3

kZ0

(εk K εkC1).

The only difference as compared to Fucks’s approach thus is the manner how the parameters εk are estimated. As opposed to Fucks, the Georgian authors suggest to estimate εk not with recourse to the central moments, but to the initial moments of the empirical distribution. Obviously, central moments and initial moments can be transformed into each other, i. e., both methods lead to identical parameter estimates. Still, the numerical procedure of estimating is different and shall be demonstrated in detail, here. Gačečiladze/Cilosani (1971, 115) discussed two possibilities to estimate εk: (a) by deriving the theoretical initial moments from the generating function of the Fucks-Gačečiladze distribution (44); (b) by approximately equating the frequencies of the empirical and the theoretical distributions, using the fact that n

∑ pi z 1. iZ0 Arguing that the second way is more convenient to be pursued, since the first includes a system of transcendental equations, Gačečiladze/Cilosani (1971, 116) favored the second option. Since, in our case, we consider only special cases of the generalized Fucks-Gačečiladze distribution, the system is reduced to less complex systems which today can easily solved by help of computer programs. Gačečiladze/Cilosani (1971) did not show how the theoretical initial moments can be derived from the generating function. Therefore, it seems reasonable to recapitulate this step, following the same line of thinking already presented in context of the Fucks GPD (see above, Sec. 2.1.1). As a result, the initial moments of the Fucks-Gačečiladze distribution (40), are given as follows, with N

Likewise, the third derivative of G (t) for t Z 1 provides the third factorial moment: N

µ(3) Z ∑ (K3kλ K 3k2 C 3k2λ C 4λ2k C kZ0 3

3

C 2λ C 2k C k ) (εk K εkC1)

∑ εk Z A, kZ1 (a) The first initial moment: µ#1 Z µ(1) Z

∂G (t) ∂t

|

tZ1

Z µ,

(45)

172

I. Allgemeines / General

Let ε0 Z 1, ε1 s 0, ε2 s 0 and εk Z 0 for k R 3. Replacing ε1 with α, and ε2 with β, and denoting a Z α C β, it is possible to get the following 2 ! 2 equations system, from equations (46) and (47):

(b) The second initial moment µ#2 Z µ(1) C µ(2) ∂2G (t) Z ∂t 4 Z 3

|

∂G (t)

tZ1

2

C

∂t 2

2

|

tZ1

(a) µ#2 Z

µ K µA C µ K A K 3 3 2

2

N

K 2A C 2 ∑ kεk ,

(46)

kZ1

(c) The third initial moment ∂3G (t) µ#3 Z µ(3) C 3µ(2) C µ(1) Z C tZ1 ∂t 3 C3

∂2G (t) ∂t 2

|

∂G (t)

tZ1

C

∂t

|

tZ1

p1 Z eKλ [(1 K α) λ φ0 (1) C (α K β) φ1 (1)] pi Z eKλ [(1 K α) (47)

kZ1

The empirical initial moments are defined as N

∑i i

· fi.

The initial moments are necessary for the establishment of the equation system, which, in turn, is needed for the estimation of the parameters εk of the distribution (40). Thus, using the relations between factorial and central moments (6), the second and third central moments of the Fucks-Gačečiladze distribution are given as µ2 Z

C (α K β)

N 2 2 µ2 K µA K A2 K 2A C 2 ∑ kεk C µ 3 3 3 kZ1

Cβ

N

kZ1

kZ1

(48)

Given these definitions, we can now, in the next step, direct our attention on the threeparameter special case of the Fucks-Gačečiladze distribution. 3.1. A three-parameter special case of the Fucks-Gačečiladze Distribution In case of the Fucks-Gačečiladze three-parameter model, the three parameter µ, ε2 and ε3 have to be estimated. The estimation depends on the fact whether a class of 0-syllable words has to be taken into consideration, or not.

φ0 (i) C φ1 (i) C

(i K 1)!

λiK2 ! (i K 2)!

φ2 (i)]. i R 2

(49)

2 4 2 2 µ K µa C µ K a2 C 3 3 3 C 2 (α C 2β)

(a) µ#2 Z

(b) µ#3 Z 2µ3 K 2µ2a C 4µ2 K 2µa2 C µ K K 8µa C 2a3 C 4a2 C (6µ K 6a) · · (a C α C 2β)C6α C 18β.

µ3 Z µ2 C µ K 2µA C 2A3 C 4A2 K A K N

i!

Now, setting εo Z ε1 Z 1, εk Z 0 for k R 4 and ε2 s 0, ε3 s 0, results in the 1-displaced three-parameter special case of the FucksGačečiladze distribution. Furthermore replacing ε2 with α, and ε3 with β, and denoting a Z 1 C α C β, we obtain the following system of equations:

1

K 6A ∑ kεk C∑ k3 (εk K εkC1).

λi

λiK1

N

kZ1

m#r Z

K 8µa C 2a3 C 4a2 C C (6µ K 6a) (a C β) C 6β.

p0 Z eKλ (1 K α) φ0 (0)

C (6µ K 6A) ∑ kεk C ∑ k3 (εk K εkC1).

r

(b) µ#3 Z 2µ3 K 2µ2a C 4µ2 K 2µa2 C µ K

Subsequent to the solution for α and β, we thus have the following distribution:

K 8µA C 2A3 C 4A2 K A C

1

2 2 µ2 K µa C µ K a2 C 2β 3 3 3

|

Z 2µ3 K 2µ2A C 4µ2 K 2µA2 C µ K N

4

After the solution for α and β, we thus have the following probabilities: p1 Z eKλ (1 K α) φ1 (1) p2 Z eKλ [(1 K α) λφ1 (2) C (α K β) φ2 (2)]

[

pi Z eKλ (1 K α) C (α K β) λiK3

λiK1 (i K 1)! λiK2

(i K 2)!

φ1 (i) C

φ2 (i) C

]

φ3 (i) , i R 3 (i K 3)! with λ Z µ K 1K α K β.

Cβ

(50)

173

11a. Mathematical aspects and modifications of Fucks Generalized Poisson Distribution (GPD)

Table 11a.7: Discrepancy coefficient C as a result of fitting 1-displaced Fucks-Gačečiladze (three-parameter) distribution to different languages English

German

Esperanto

Arabic

Greek

C (3-par.) εˆ 2 εˆ 3

: K K

: K K

0.0007 0.4490 0.1261

0.0088 0.7251 0.1986

0.0014 K0.0731 K0.1508

Japanese

Russian

Latin

Turkish

C (3-par.) εˆ 2 εˆ 3

: K K

0.0028 0.3821 0.1885

0.0035 0.6230 0.3050

0.0087 0.6870 0.2606

It is interesting to see, now, which results are obtained with regard to the Fucks data repeatedly analyzed above. Table 11a.7 represents the values of the discrepancy coefficient C as a result of the relevant re-analysis. As can be seen from Table 11a.7, an acceptable result is indeed obtained for Greek, too, what was not the case when fitting the three-parameter Fucks distribution (cf. Table 11a.5). In fact, The Fucks-Gačečiladze distribution provides very good fits in six of the nine samples (C % 0.01). Table 11a.7 also shows that the values for εˆ 2 and εˆ 3 are negative in case of the Greek sample. Again, this is due to the fact that we confine ourselves to Fucks’s conditions (a)K(c) outlined above (cf. Sec. 2). The introduction of the additional condition, 0 ! εk ! 1, k Z 2, 3, results in another solution which is slightly worse, with εˆ 2 Z 0.3013, εˆ 3 Z 0.1511, and C Z 0.0144. Still, there are no solutions for the English, German and Japanese data. The reason for this failure might be the fact that, for φk / 1, the FucksGačečiladze distribution (40) converges to the Fucks GPD, and under this condition provides identical results. As opposed to this, the fact that the Georgian authors base their estimations on the initial moments, rather than on the central moments, plays no role, because central moments and initial moments can be transformed into each other. Thus, the results can be expected to be identical in either case. This will be shown for our data. The first three initial moments of Fucks distribution, which are necessary for the equation system to be established, are given as: µ#1 Z µ N

µ#2 Z µ2 C µ K ε#2 K 2ε# C 2 ∑ kεk kZ1

µ#3 Z µ3 C 3µ2 C µ C 2ε#3 C 3ε#2 K ε# K N

K 3µε#2 K 6µε# C ∑ k3 (εk K εkC1) C kZ0

N

C 6 (µ K ε#) ∑ kεk.

(51)

kZ1

Now, replacing ε2 with α, and ε3 with β, and denoting a Z 1 C α C β, we obtain the following system of equations: (a) µ#2 Z µ2 C µ K a2 K 2a C 2 (a C α C 2β) (b) µ#3 Z µ3 C 3µ2 C µ C 2a3 C C 3 (1 K µ) a2 C 6α C 18β K K 6µa C 6 (µ K a) (a C α C 2β). After the solution for α and β, we thus have the following probabilities: p1 Z eKλ · (1 K α) p2 Z eKλ · [(1 K α) · λ C (α K β)]

[

pi Z eKλ (1 K α) C (α K β)

λiK1 (i K 1)! λiK2

(i K 2)!

C

Cβ

λiK3 (i K 3)!

]

,

i R 3 (52) with λZµ K 1 K α K β. Table 11a.8 contains the results with parameter estimations based both on central and initial moments. As can easily be seen, the results are almost identical, as was to be expected. In summary, one can thus state that neither the Fucks-Gačečiladze distribution nor the Fucks GPD, as one of its special cases (for φk / 1), turn out to be adequate as a general standard model, capable to cover all nine data sets presented by Fucks.

174

I. Allgemeines / General Table 11a.8: Fucks’ three-parameter model, with parameter estimation, based on moments Esperanto

Arabic

Russian

Latin

Turkish

0.3933 0.0995 0.00004

0.5463 K0.1402 0.0021

0.2083 0.1686 0.0005

0.5728 0.2416 0.0003

0.6164 0.1452 0.0023

0.3933 0.0994 0.00004

0.5464 K0.1402 0.0021

0.2083 0.1685 0.0005

0.5728 0.2415 0.0004

0.6164 0.1451 0.0023

m2 , m 3 εˆ 2 εˆ 3 C m#2, m#3 εˆ 2 εˆ 3 C

The Fucks-Gačečiladze distribution seems to be a better model only for some special data compared to three-parameter Fucks distribution, since it provides good fits for Greek, too (cf. Table 11a.7). As to the estimation of the parameters, there are no differences as to the method of estimation (be it based on the initial or central moments).

4.

The Fucks GPD: parameter estimation based on µ, µ2, and first-class frequency (Bartkowiakowa/Gleichgewicht)

pi Z (1 K ε2) · giK1 C (ε2 K ε3) · giK2 C (55) C ε3 · giK3 , i R 3 with λ Z µ K (1 C ε2 Cε3). As to the estimation of ε2 and ε3, the authors did not set up an equation system on the basis of the second and third central moments (µ2 and µ3), as did Fucks, thus arriving at a cubic equation. Rather, they first defined the portion of one-syllable words (p1), and then modelled the whole distribution on that proportion. Thus, by way of a logarithmic transformation of p1 Z (1 K ε2) · g0 in formula (55), one obtains the following sequence of transformations:

An alternative to estimate the two parameters ε2 and ε3 of the Fucks’ three-parameter distribution was suggested by two Polish authors (Bartkowiakowa/Gleichgewicht 1964; 1965). Based on the Poisson distribution, given as gk Z

λk k!

ln ln ln

eKλ, k Z 0, 1, 2, ...

(53)

and referring to Fucks’ GPD (2), the authors re-formulated the latter as N

λiKk

kZ0

(i K k)!

pi Z ∑ (εk K εkC1) eKλ

Z ∑ (εk K εkC1) · giKk.

(54)

kZ0

Determining ε0 Z ε1 Z 1, and εk Z 0 for k O 3, the two parameters ε2 Z ε3 s 0 remain to be estimated on basis of the empirical distribution. Based on these assumptions, the following special cases are obtained for (54): p1 Z (1 K ε2) · g0 p2 Z (1 K ε2) · g1 C (ε2 K ε3) · g0

(1 K ε2) p1 (1 K ε2) p1 (1 K ε2)

Z ln g0 ZKλ Z K [µ K (1 C ε2 C ε3)].

Referring to the empirical distribution, a first equation for an equation system to be solved (see below) can thus be gained from the first probability p1 of the empirical distribution: ln

N

p1

pˆ1 (1 K εˆ 2)

Z K [x¯ K (1 C εˆ 2 C εˆ 3)].

(56)

The second equation for this system is then gained from the variance of the empirical distribution. Thus one gets µ2 Z µ K (1 C ε2 C ε3)2 C 2 · (ε2 C 2 · ε3) resulting in the second equation for the equation system to be established: m2 Z x¯ K (1 C εˆ 2 C εˆ 3)2 C C 2 · (εˆ 2 C 2εˆ 3).

(57)

11a. Mathematical aspects and modifications of Fucks Generalized Poisson Distribution (GPD)

With the two equations (56) and (57), we thus have the following system of equations, adequate to arrive at a solution for ε2 and ε3: (a) ln

pˆ1 (1 K εˆ 2)

175

selected passages, only the dialogical sequences of a given text, etc.). The results of the analysis indeed proved their approach to be successful. As can be seen from Table 11a.9, the discrepancy coefficient is C ! 0.01 in all cases; furthermore, in six of the nine samples, the result is clearly better as compared to Fucks’ original estimation. For the sake of comparison, Table 11a.9 contains both the dispersion quotient d and the difference M Z x¯ K m2 between the mean of the empirical distribution and its variance for each of the samples, in addition to the results for the (1-displaced) Poisson and the (1-displaced) Dacey-Poisson distributions, which were calculated in a re-analysis of the raw data provided by the Polish authors. A closer look at these data shows that the Polish text samples are relative homogeneous: for all texts, the dispersion quotient is in the interval 0.88 % d % 1.04, and 0.95 % M % 1.09. This may explain, why the theoretical model turns out to be adequate for all samples. Therefore, the Polish authors’ approach will also be tested with Fucks’ linguistic data repeatedly analyzed above. Before this additional re-analysis, it seems worthwhile testing the performance of the χ 2 minimization method suggested by Bartkowiakowa/Gleichgewicht (1964). The question is if there is an additional improve-

Z K [x¯ K (1 C εˆ 2 C εˆ 3)]

(b) m2 K x¯ Z K (1 C εˆ 2 C εˆ 3)2 C C 2 (εˆ 2 C 2εˆ 3) Bartkowiakowa/Gleichgewicht (1964) did not theoretically discuss the corresponding estimation procedure of ε2 and ε3 in detail. Rather, they preferred to present the results of empirical studies, based on selected Polish literary texts, which served as a test of their approach. In addition to the difference as to the estimation of ε2 and ε3, the two Polish authors argued in favor of a statistical test in order to evaluate the goodness of fit of the theoretical distribution, comparing it with the empirical distribution on the basis of the χ2test; in doing so, they suggest to repeat the process of estimation as long as a minimal value for the χ2 function is obtained (the socalled χ2 minimization method). Of course, this method is much more expensive as compared to the other approach, based on the relative frequency pˆ1 and the two moments x¯ and m2. The analyses included nine Polish literary texts, or specific segments thereof (e. g., only

Table 11a.9: Fucks’ three-parameter model, with parameter estimation (Polish data) 1

2

3

4

5

x¯ m2 d M

1.81 0.76 0.93 1.05

1.82 0.73 0.88 1.09

1.96 0.87 0.91 1.09

1.93 0.94 1.00 0.99

2.07 1.07 0.99 1.00

C values: Poisson Dacey-Poisson m2 , m 3 pˆ1, m22

0.00420 0.00250 0.00240 0.00197

0.00540 0.00060 0.00017 0.00043

0.00370 0.00200 0.00226 0.00260

0.00170 : 0.00125 0.00194

0.00520 0.00531 0.00085 0.00032

6

7

8

9

x¯ m2 d M

2.12 1.10 0.98 1.02

2.05 0.98 0.94 1.07

2.18 1.21 1.03 0.97

2.16 1.21 1.04 0.95

C values: Poisson Dacey-Poisson m2 , m 3 pˆ1, m2

0.00810 0.00862 0.00084 0.00030

0.00220 0.00145 0.00120 0.00077

0.01360 : 0.00344 0.00216

0.00940 : 0.00383 0.00271

176

I. Allgemeines / General

120

60

80

40

40 0 0.1

20 0.2

0.12

0.14 epsilon3 0.16

0.18

0.2

0.5

0.45

0.25 0.3 0.35 0.4 epsilon2

0.01

0.02

0.03 epsilon3 0.04

(a) “Anielka (without dialogues)”

0.05

0.06

0.4

0.35

0.1 0.15 0.2 0.25 0.3 epsilon2

˙ (b) “ Zywo t”

Fig. 11a.1: χ 2 function for two Polish texts

ment of the results trying to minimize χ 2 subsequent to the described estimation of the parameters ε2 and ε3. By way of an example, let us test the productivity of this additional procedure, analyzing two Polish texts by B. Prus and M. Rej, taking the relevant data from Bartkowiakowa/Gleichgewicht’s article. Estimating the parameters ε2 and ε3 for “Anielka” (without dialogues) by B. Prus, and minimizing the χ 2 function, the Polish authors obtained the following estimates: εˆ 2 Z 0.390, εˆ 3 Z 0.145 and χ 2 Z 5.041. It seems that we are concerned here with an error: taking the estimated values for ε2 and ε3 suggested by Polish authors, and calculating once again the expected theoretical distribution, it turns out that there is a mistake in the Polish calculation, since for these ε values, a much better value of χ 2 Z 3.534 is obtained. Our further re-analysis of the Polish data, which is based on more exact computer methods as compared to the methods available at the times of the Polish study, includes two steps: (a) In a first step, we look for a numerical solution of the equation system (56) and (57), thus obtaining estimators for ε2 and ε3. (b) In a second step, we plot the χ2 function, since we are interested to know whether the estimators obtained in the first step differ from the minimum values of the χ2 function, or not. As to the numerical solution, solving the system of equations (56) and (57), we obtain a value of χ 2 Z 1.5696 with εˆ 2 Z 0.4378 and εˆ 3 Z 0.1784. As minimal value of χ 2 one obtains χ 2 z 1. Figure 1(a) exhibits the plot

of the χ 2 function for the above-mentioned text. A closer look at it shows that the values obtained for ε2 and ε3 by way of the numerical re-analysis, are near to the values where the minimum of χ 2 is attained. The same observation can be made with regard to M. Rej’s text “Z˙ywot”. As a result of our re-analysis, a value of χ 2 Z 7.880 is obtained (with εˆ 2 Z 0.3564 and εˆ 3 Z 0.0599). As compared to this, the Polish authors arrived at χ 2 Z 7.934 (for εˆ 2 Z 0.345 and εˆ 3 Z 0.054). Our re-analysis shows that the minimum is smaller than χ 2 Z 7.88. Thus, again the ordinary estimation method yields good results. Figure 1(b) illustrates the relevant plot of the χ 2 function. Summarizingly, one can say that, at least as far as these two exemplary texts are concerned, the best results of estimation are already reached by solving equation system (56) and (57), without any remarkable improvement by way of the χ 2 minimization. With this in mind, it will be interesting to see in how far the estimation procedure suggested by Bartkowiakowa/Gleichgewicht (1964) is able to improve the results for the nine different languages analyzed by Fucks (cf. Table 11a.1). Table 11a.10 represents the results of the corresponding re-analysis. Table 11a.10 compares the results obtained by two different ways of parameter estimation: the original procedure as suggested by Fucks and the modification suggested by the Polish authors. The comparison is done only for data sets, appropriate for the application of Fucks’ three-parameter distribution model. As a result, we can conclude that the procedure to estimate the two parameters ε2 and ε3, as suggested by

11a. Mathematical aspects and modifications of Fucks Generalized Poisson Distribution (GPD)

177

Table 11a.10: Fucks’ three-parameter model, with parameter estimation Esperanto

Arabic

Russian

Latin

Turkish

0.3933 0.0995 0.00004

0.5463 K0.1402 0.0021

0.2083 0.1686 0.0005

0.5728 0.2416 0.0003

0.6164 0.1452 0.0023

0.3893 0.0957 0.00001

0.7148 0.1599 0.0042

0.2098 0.1695 0.0005

0.5744 0.2490 0.0003

0.6034 0.1090 0.0018

m2 , m 3 εˆ 2 εˆ 3 C pˆ1, m2 εˆ 2 εˆ 3 C

Bartkowiakowa/Gleichgewicht (1964), results in better estimates, at least for the data analyzed. A possible interpretation is the better aptness of the modified approach which might have its foundation in the fact that this estimation procedure is particularly adequate when the frequency in the first class is relatively large; thus, more weight is given to this large frequency value of the first class, as compared to the the third moment which is more affected by the frequencies of the higher classes.

5.

Summary

In the history of word length studies, an important step was made by German physicist Wilhelm Fucks: his theoretical model, often termed as “the Fucks model”, turned out to be the most important model discussed from the 1950s until the late 1970s. From that time on until today, Fucks is broadly credited for having promoted the 1-displaced Poisson distribution to be an adequate model for word length frequencies, at least for all those languages, which form their words from syllables. At a closer mathematical inspection of Fucks’ works, it turns out, however, that the 1-displaced Poisson distribution is only one special case of a broader generalization of the Poisson distribution suggested by Fucks; this model, a specific sum of weighted Poisson probabilities, is termed the Fucks Generalized Poisson Distribution (GPD) throughout this paper. In addition to presenting this model, in detail, different methods to estimate its parameters are discussed, which have been suggested not only by Fucks himself, but by researchers following him. Also an even more far-reaching generalization of the

Fucks GPD, as developed by Georgian scholars in the early 1960s, is discussed, on the background of which Fucks’ GPD, in turn, appears to be a special case of one further generalization, namely, the so called Fucks-Gačečiladze distribution. By way of a number of re-analyses, not only the Fucks GPD, but also some of its special cases, as well as the above-mentioned Georgian generalization are fitted to data from various languages, presented by Fucks himself (cf. Fucks 1956a). As a result of these analyses, a number of conclusions can be drawn. Ultimately, these conclusions are related to the summarizing Tables 11a.11 and 11a.12: whereas Table 11a.11 contains four relevant characteristics of the nine language samples, Table 11a.12 summarizes the results of fitting the discussed distributions. Table 11a.11: Mean word length, variance, d value and difference M for nine languages x¯ m2 d M x¯ m2 d M

English

German Esperanto Arabic Greek

1.4064 0.5645 1.3890 0.8420

1.6333 0.7442 1.1751 0.8891

1.8971 0.8532 0.9511 1.0438

2.1032 0.6579 0.5964 1.4453

Japanese Russian Latin

Turkish

2.1325 1.3952 1.2319 0.7374

2.4588 1.1692 0.8015 1.2896

2.2268 1.4220 1.1591 0.8048

2.3894 1.2093 0.8704 1.1800

2.1106 1.3526 1.2179 0.7580

1. 1. The 1-displaced Poisson distribution, as one-parameter special case of the Fucks GPD, cannot be accepted as a general standard model for word length frequency distributions: specifically, it can be an adequate model only, as long as the dispersion quotient d Z m2 / (x¯ K 1) z 1 in an empirical sample.

178

I. Allgemeines / General

2. The first special case of the Fucks GPD, the two-parameter (1-displaced) DaceyPoisson distribution, is an adequate theoretical model only for a specific type of empirical distributions, too: this model is likely to be an adequate theoretical model for empirical samples with d ! 1. Therefore, of the nine languages tested, only four (Esperanto, Arabic, Latin, and Turkish) meeting this condition can be successfully modelled (cf. Table 11a.12). 3. The three-parameter special case of Fucks’ GPD provides clearly better results as compared to those of the one-parameter and two-parameter special cases; and can be an appropriate model also for empirical distributions in which d O 1. However, valid estimators exist only if both M Z x¯ K m2 % 0.75 and parameter a Z εˆ 2 C εˆ 3 fulfill some additional conditions. Thus, the first restriction rules out the Japanese sample, and the second restriction is violated for the English, German and Greek data. A very good fit is obtained for those four texts with d ! 1, and for the Russian sample with d z 1.16. The three-parameter Fucks model thus too, is adequate only for particular types of empirical distributions, and it cannot serve as an overall model for language, even if restricted to syllabic languages. 4. The generalization of the three-parameter GPD by Gačečiladze et al. additionally delivers valid estimations and appropriate models for the Greek (d Z 1.1218) sample, but it too, is not able to fit the English, German and Japanese data. 5. The three-parameter GPD, combined with the alternative estimation method based on x¯, m2 and the first-class fre-

quency pˆ1 provides a slightly better fit than the method using the first three moments x¯, m2 and m3 and is also comparable with the much more expensive χ 2 minimization method. The results obtained for the Fucks-Gačečiladze distribution were slightly better as compared to those for the three-parameter Fucks GPD. Figure 11a.2 illustrates the results of fitting of the discussed estimation methods for the two- and three-parameter modifications. Generally speaking, from a contemporary point of view, there are a number of theoretical and practical drawbacks of the Fucks GPD, including its modifications and generalizations: (a) There is no a priori information how many components of the ε-spectrum are necessary for a linguistic application of the Fucks GPD; furthermore, all available suggestions as to a linguistic interpretation are nothing but heterogeneous ad hoc assumptions; (b) the support of a word length frequency distribution cannot be infinite, notwithstanding the fact that this circumstance tends to be ignored in practical applications; Therefore, our present research on word length frequencies focuses not only on an empirical test of the Fucks GPD, including its modifications and generalizations discussed in this chapter (cf. Grzybek/Stadlober 2005a), but also on further generalizations and modifications of the Poisson distribution (cf. Grzybek/Stadlober 2005b). One of these lines is along the three-parameter GPD distribution, hereby dropping the unnecessary condition εkC1 % εk as stated by

Table 11a.12: Comparison of fitting nine languages, based on discrepancy coefficient C (acceptable best fits for for each language are in bold face) Discrepancy coefficient values (C) for English German Esperanto Arabic Greek Japanese Russian Latin Turkish

Poisson

Dacey-Poisson

(m2, m3)

(pˆ1, m2)

Fucks-Gačečiladze

0.0903 0.0186 0.0023 0.1071 0.0328 0.0380 0.0208 0.0181 0.0231

: : 0.0019 0.0077 : : : 0.0149 0.0021

: : 0.0000 0.0021 : : 0.0005 0.0003 0.0023

: : 0.0000 0.0042 : : 0.0005 0.0003 0.0018

: : 0.0007 0.0088 0.0014 : 0.0028 0.0035 0.0087

11a. Mathematical aspects and modifications of Fucks Generalized Poisson Distribution (GPD)

179

0,020 Latin Arabic Turkish Esperanto

0,015

0,010

0,005

0,000 Dacey-Poisson

Fucks (3-param.)

Fucks-Gacˇ ecˇ iladze

p1, x, m2

Fig. 11a.2: Comparison of fitting results (C) for the two- and three-parameter models

Fucks. Another line of research in this context concentrates on the generalization of the Poisson distribution as discussed by Consul (1989), and on the Hyperpoisson distribution (cf. Wimmer/Altmann 1999: 281 f.). In any case, we concentrate on concrete individual texts from various languages, rather than on text mixtures (corpora) allegedly describing the abstract norm of a given language. First results show that these generalizations may lead to valid estimations and appropriate fits of a large class of word length distributions with empirical dispersion quotients 0.5 % d % 1.5.

6.

Literature (a selection)

Bartkowiakowa, Anna/Gleichgewicht, Boleslaw (1964), Zastosowanie dwuparametrowych rozkłado´w Fucksa do opisu długości sylabicznej wyrazo´w w ro´z˙nych utworach prozaicznych autoro´w polskich. In: Zastosowania matematyki 7, 345K 352. Bartkowiakowa, A./Gleichgewicht, B. (1965), O rozkładach długos´ci sylabicznej wyrazo´w w ro´z˙nych tekstach. In: Poetyka i matematyka. (ed M. R. Mayenowa). Warszwawa: Państwowy instytut wydawniczy, 164K173. Bokučava, N. V./Gačečiladze, T. G. (1965), Ob odnom metode izučenija statističeskoj struktury pečatnoj informacii. In: Trudy Tbilisskogo gosudarstvennogo universiteta, t. 103, 174K180. Bokučava, N. V./Gačečiladze, T. G./Nikoladze, K. Ja.; Cilosani, T. P. (1965), Zamečanie k matematičeskoj modeli dlja slogoobrazovanija v gruzinskom jazyke. In: Trudy Tbilisskogo gosudarstvennogo universiteta, t. 103, 169K172. Cercvadze, G. N./Čikoidze, G. B./Gačečiladze, T. G. (1959), Primenenie matematičeskoj teorii slovoobrazovanija k gruzinskomu jazyku. In: Soobšcenija akademii nauk Gruzinskoj SSR, t. 22/6, 705K 710.

Cercvadze, G. N./Čikoidze, G. B./Gačečiladze, T. G. (1962), see: Zerzwadse et al. (1962) Consul, Prem C. (1989), Generalized Poisson Distributions. New York/Basel: Dekker. Fucks, Wilhelm (1955a), Mathematische Analyse von Sprachelementen, Sprachstil und Sprachen. Arbeitsgemeinschaft für Forschung des Landes Nordrhein-Westfalen. Köln/Opladen: Westdeutscher Verlag. Fucks, Wilhelm (1955b), Theorie der Wortbildung. In: Mathematisch-Physikalische Semesterberichte zur Pflege des Zusammenhangs von Schule und Universität 4, 195K212. Fucks, Wilhelm (1955c), Eine statistische Verteilung mit Vorbelegung. Anwendung auf mathematische Sprachanalyse. In: Die Naturwissenschaften 421, 10. Fucks, Wilhelm (1956a), Die mathematischen Gesetze der Bildung von Sprachelementen aus ihren Bestandteilen. Nachrichtentechnische Fachberichte, [Z Beiheft zu Nachrichtentechnische Fachzeitschrift] 3, 7K21. Fucks, Wilhelm (1956b), Mathematische Analyse von Werken der Sprache und der Musik. In: Physikalische Blätter 16, 452K459 & 545. Fucks, Wilhelm (1956c), Statistische Verteilungen mit gebundenen Anteilen. In: Zeitschrift für Physik 145, 520K533. Fucks, Wilhelm (1956d), Mathematical theory of word formation. In: Information theory. (ed. C. Cherry). London: Butterworth, 154K170. Fucks, Wilhelm (1957), Matematičeskaja teorija slovoobrazovanija. In: Teorija peredači soobščenij. Moskva: Izdatel’stvo inostrannoj literatury, 221K 247. Gačečiladze, T. G./Cercvadze, G. N./Čikoidze, G. B. (1961), Ob ε-strukture raspredelenija probelov. In: Trudy instituta élektroniki, avtomatiki i telemechaniki 2, 3K15. Gačečiladze, T. G./Cilosani, T. P. (1971), Ob odnom metode izučenija statističeskoj struktury teksta. In: Statistika reči i avtomatičeskij analiz teksta. Leningrad, Nauka: 113K133.

180 Grotjahn, Rüdiger (1982), Ein statistisches Modell für die Verteilung der Wortlänge. In: Zeitschrift für Sprachwissenschaft 1, 44K75. Grzybek, Peter (2005), History and Methodology of Word Length Studies K The State of the Art. In: Contributions to the Science of Language (ed. P. Grzybek). [in print] Grzybek, Peter/Stadlober, Ernst (2005a), The Performance of Fucks’ Generalized Poisson Distribution in the Study of Word Length Frequencies. [in prep.] Grzybek, Peter/Stadlober, Ernst (2005b), The Performance of Generalized Poisson Models in Word Length Frequency Studies. [in prep.] Piotrovskij, Rajmond G./Bektaev, Kaldybay B./ Piotrovskaja, Anna A. (1977), Matematičeskaja

I. Allgemeines / General lingvistika. Leningrad: Nauka. [German trans.: Piotrowski, R. G.; Bektaev, K. B.; Piotrowskaja, A. A.: Mathematische Linguistik. Bochum: Brockmeyer, 1985. [Z Quantitative Linguistics; 27] Wimmer, Gejza/Altmann, Gabriel (1999), Thesaurus of univariate discrete probability distributions. Essen: Stamm. Zerzwadse, G./Tschikoidse, G./Gatschetschiladse, Th. (1962), Die Anwendung der mathematischen Theorie der Wortbildung auf die georgische Sprache. In: Grundlagenstudien aus Kybernetik und Geisteswissenschaft 4, 110K118.

Gordana Antić, Peter Grzybek, Ernst Stadlober, Graz (Austria)

II. Gebiete und Phänomene: Phonologie / Fields and phenomena: phonology 12. Phonemdistribution 1. 2.

4.

Einführung Distribution ohne Berücksichtigung der Frequenz Distribution mit Berücksichtigung der Frequenz Literatur (in Auswahl)

1.

Einführung

3.

Die Beschreibung der phonologischen Struktur einer Sprache besteht aus einer paradigmatischen und einer syntagmatischen Komponente, d. h. aus einer Beschreibung der phonologischen oder distinktiven Merkmale eines jeden Segments, also eines jeden Phonems, und aus einer Beschreibung der Distribution der Segmente, d. h. der Kombinationen, die die Phoneme miteinander eingehen. Dies kann man auch die Analyse der internen und der externen Eigenschaften der Phoneme nennen. Selbstverständlich setzen die vorstehenden Bestimmungen voraus, dass wir uns an solchen sprachwissenschaftlichen Konzeptionen orientieren, die mit einer phonologischen Ebene operieren, einer Ebene also, deren Grundeinheiten die für eine gegebene Sprache feststellbaren Phoneme ausmachen. Freilich ist es „nicht immer leicht zu entscheiden, wo die Syntagmatik aufhört und die Paradigmatik beginnt“ (Birnbaum 1967, 318). So ist es bei einigen Lautklassen schwierig, zu bestimmen, ob wir es mit einem Einzelphonem oder mit einer Phonemverbindung zu tun haben. Als Beispiel hierfür können Sprachen dienen, in denen bei den Konsonanten der Gegensatz Aspiriertheit ~ Nichtaspiriertheit phonologisch relevant ist. Ob wir hier etwa ein aspiriertes Einzelphonem /p‘/ oder eine Phonemfolge /ph/ ansetzen sollen, ist nicht objektiv entscheidbar, sondern hängt von bestimmten Vorstellungen der Linguisten über Symmetrie, Einfachheit der Beschreibung des Phonemsystems usw. ab (vgl. Greenberg 1964, 44). Fast immer wirken distributionelle Gesichtspunkte bei der Aufstellung des Phoneminventars mit, indem beispielsweise Lautgruppen, die sich distributionell so verhalten wie

ansonsten einzelne Laute, eben deshalb oft monophonematisch gewertet werden (vgl. etwa die Interpretation von norw. /sp/, /st/, /sk/ als compound phonemes bei Vogt 1942). Die Erforschung der Phonemdistribution mit Hilfe quantitativer Methoden, wie sie den Gegenstand dieses Kapitels bildet, ist an die Voraussetzung gebunden, dass Probleme der geschilderten Art bereits in der einen oder der anderen Art gelöst sind, d. h., dass das Phoneminventar jeweils festgelegt und bekannt ist. Die Untersuchung beider Bereiche, der Paradigmatik wie auch der Syntagmatik, gehört seit der Entwicklung der Phonologie zu deren Programm. So fordert Trubetzkoy (1939), es müssten „alle jene Regeln, die den Gebrauch der einzelnen Phoneme und ihre Kombinationen irgendwie einschränken, bei der Beschreibung eines phonologischen Systems immer sorgfältig angegeben werden“ (Trubetzkoy 1939, 219). Derartige Regeln führten zu einer von ihm so genannten funktionellen Einteilung der Phoneme. Trubetzkoy denkt auch bereits an den Vergleich der phonologischen Struktur mehrerer Sprachen unter dem Gesichtspunkt der Syntagmatik und deutet damit insgesamt eine im Prinzip auch noch heute gültige Gliederung der Distributionsuntersuchung an. Zum Zwecke des Sprachvergleichs fordert er „eine möglichst einheitliche Methode der Kombinationslehre“ (Trubetzkoy 1939, 225), die folgende Untersuchungsschritte zu berücksichtigen habe: Festsetzung einer Rahmeneinheit, Einteilung der Rahmeneinheiten im Hinblick auf ihre phonologische Struktur, Erforschung der Phonemverbindungen innerhalb der zu unterscheidenden Strukturtypen, wobei Anlaut-, Inlaut- und Auslautstellung jeweils gesondert zu bearbeiten sind. Pro Stellung muss ermittelt werden, welche Phoneme miteinander eine Verbindung eingehen und welche nicht und in welcher Reihenfolge sie sich verbinden. Die Beobachtung, dass sich in keiner bekannten Sprache jedes Phonem mit allen Phonemen des betreffenden Inventars verbindet, welche Rahmeneinheit und welche

182

II. Gebiete und Phänomene: Phonologie / Fields and phenomena: phonology

Stellung wir auch untersuchen mögen, führt zu der Vermutung, dass in jeder Sprache „die Phonemkombinationen speziellen Gesetzen unterworfen“ (Trubetzkoy 1939, 220) seien, wobei sich die weitere Frage ergibt, „ob nicht wenigstens ein Teil dieser Gesetze für alle Sprachen gilt“ (Trubetzkoy 1939, 220). Mit dieser Frage hat sich bereits B. Trnka (1936) beschäftigt. Nach Trnka gibt es ein allgemeines Gesetz, „wonach innerhalb eines Morphems zwei Glieder eines Korrelationspaares nicht nebeneinander stehen dürfen“ (Trubetzkoy 1939, 221). Trubetzkoy zufolge ist Trnkas Gesetz in dieser Fassung „sicher unhaltbar“ (Trubetzkoy 1939, 221) und gilt „nicht einmal für jene Oppositionen, die B. Trnka selbst als Korrelationen anerkennt“ (Trubetzkoy 1939, 221). Bei dem, was hier von Trnka wie auch von Trubetzkoy als Gesetz bezeichnet wird, handelt es sich auf jeden Fall eher um eine Tendenz als um ein Gesetz im heutigen wissenschaftstheoretischen Verständnis dieses Begriffes. Ähnlich wie Trnka ist Trubetzkoy allerdings der Ansicht, „daß die Phoneme [.], die im Rahmen eines Morphems in unmittelbarer Berührung miteinander stehen, ein gewisses Minimum von Unterschied aufweisen müssen“ (Trubetzkoy 1939, 222), jedoch lasse sich „dieses Minimum für jede Sprache anders bestimmen. [.] Somit muß das Kontrastminimum für jede Sprache selbständig gefunden und definiert werden und die »universal unzulässigen« Phonemverbindungen helfen dabei nicht viel“ (Trubetzkoy 1939, 223). Trnkas Hypothese ist später von J. Greenberg wieder aufgegriffen worden. Nach diesem Autor ist sie unter bestimmten Bedingungen für einige distinktive Merkmale durchaus gültig (vgl. Greenberg 1964, 41). Man kann sich leicht klarmachen, dass es von vorneherein aussichtslos wäre, wollte man sämtliche Regelhaftigkeiten im Bereich der Phonemdistribution allein aus den internen Eigenschaften der Phoneme erklären, ganz gleich, wie diese Eigenschaften bestimmt werden mögen: „[.]: wie immer man sie auch mißt K die phonologische Ähnlichkeit ist eine reziproke Relation, d. h. die Ähnlichkeit von beispielsweise /p/ zu /r/ ist die gleiche wie zwischen /r/ und /p/. Wenn nun die Folge /pr-/ am Wortanfang vorkommt, /rp-/ aber nicht, so ist klar, daß noch andere Faktoren im Spiel sein müssen“ (Kempgen 1995, 197).

Abgesehen von dem Problem, welche Phoneme sich in einer Sprache K jeweils im Rahmen einer bestimmten Einheit und in einer bestimmten Stellung K überhaupt miteinander verbinden, stellt sich die Frage, wovon die Häufigkeit der Verwendung der verschiedenen Phonemverbindungen abhängt, sei es innerhalb eines Inventars von Rahmeneinheiten (types), sei es innerhalb eines bestimmten Textkorpus (tokens). Vermutlich als erster hat Saporta (1955) diese Frage unter Zuhilfenahme quantitativer Methoden untersucht. Aufgrund von Überlegungen zum Enkodierungsaufwand des Sprechers und zum Dekodierungsaufwand des Hörers stellt Saporta folgende Hypothese auf: „the average frequency of a consonant cluster is a function of the difference between the phonemes in the cluster: low frequencies are expected for clusters which are either extremely similar or extremely dissimilar; high frequencies are expected for clusters which are at neither extreme“ (Saporta 1955, 25). Die methodischen Mängel des von Saporta zur Überprüfung seiner Hypothese angewandten Verfahrens sind bereits von Carroll (1958) benannt und berichtigt worden (vgl. auch Kempgen 1995, 199) und brauchen daher hier nicht noch einmal erörtert zu werden. Während Saporta sein Augenmerk lediglich auf die Textfrequenz von Konsonantenverbindungen richtet, also tokens untersucht, fragt Carroll darüber hinaus auch nach dem Zusammenhang, der möglicherweise zwischen den Phonemdistanzen und der Anzahl verschiedener Kombinationen pro Distanz besteht, unabhängig von deren Auftretenshäufigkeit. In diesem Kapitel soll es darum gehen, die Grundzüge einiger Verfahren anzugeben, die darauf abzielen, eine Reihe von distributionellen Phonemeigenschaften mit Hilfe quantitativer Methoden zu erfassen und auszuwerten. Unter Distribution verstehen wir die syntagmatischen Relationen von Einheiten eines einzigen Typs zueinander, also etwa, wie in dem uns hier interessierenden Fall, die syntagmatischen Relationen zwischen den Phonemen einer Sprache. Die distributionellen Relationen sind von den funktionellen zu unterscheiden, d. h. von den Beziehungen von Einheiten eines niedrigeren Typs zu Einheiten eines höheren Typs. Ein Beispiel für eine funktionelle Relation ist die Position eines Morphems am Anfang, in der Mitte oder am Ende einer Wortform. In der Praxis ist es nicht immer

183

12. Phonemdistribution

einfach, distributionelle und funktionelle Relationen säuberlich voneinander zu trennen. Wenn wir beispielsweise die Regelhaftigkeiten der Phonemkombinatorik im Inlaut von Morphemen untersuchen, so analysieren wir eben die Phonemdistribution nicht an und für sich, sondern in einem bestimmten funktionellen Rahmen. Es ist aber klar, dass die Untersuchung der distributionellen Phonemeigenschaften sinnvollerweise nicht losgelöst von einer Rahmeneinheit durchgeführt werden sollte, weil diese Eigenschaften von Rahmeneinheit zu Rahmeneinheit und von Position zu Position innerhalb der Rahmeneinheiten unterschiedlich sein können und es zumeist auch sind. Diejenige Rahmeneinheit, die selbst noch der phonologischen Ebene angehört, ist die Silbe, innerhalb derer die Inlaut- und die Auslautposition zu unterscheiden sind. Freilich setzt die Möglichkeit, die Silbe als Rahmeneinheit zu verwenden, ein Verfahren zur Zerlegung von Wortformen in Silben voraus. Ein solches Verfahren basiert indessen bereits auf der Kenntnis distributioneller Phonemeigenschaften, so dass darauf geachtet werden muss, Zirkularität zu vermeiden. So wichtig die erörterten Probleme im Zusammenhang mit der Auswahl und der konkreten Abgrenzung einer Rahmeneinheit auch sind, so brauchen sie uns doch hier nicht weiter zu interessieren, weil die in diesem Kapitel vorzustellenden Verfahren und Methoden nicht auf eine ganz bestimmte Rahmeneinheit bezogen, sondern allgemein anwendbar sind. Die Untersuchung der Phonemdistribution unter Zuhilfenahme quantitativer Verfahren gliedert sich sinnvollerweise in folgende, aufeinander aufbauende Schritte: (1) Metrisierung und Messung distributioneller Eigenschaften von Einzelphonemen bzw. der distributionellen Ähnlichkeit von jeweils zwei Einzelphonemen. Dieser Schritt bildet die Grundlage (2) der Klassifizierung der Phoneme unter dem Gesichtspunkt ihrer distributionellen Eigenschaften. Derartige Klassifikationen sind kein Selbstzweck, sondern bilden ihrerseits die Grundlage für weiterführende Untersuchungen, so etwa für die Suche nach Zusammenhängen zwischen den distributionellen Gemeinsamkeiten der Phoneme einer Klasse und anderen, nichtdistributionellen Gemeinsamkeiten. Den (3) Schritt bilden Beschreibung und Klassifizierung ganzer Phonemsysteme aufgrund der distributionellen Eigenschaften ihrer Ele-

mente zum Zwecke des Sprachvergleichs. Bei allen drei Schritten ist noch einmal danach zu unterscheiden, ob die Frequenz der Phonemverbindungen vernachlässigt oder berücksichtigt wird. Der begrenzte Umfang des Artikels und der mit dem Handbuch verfolgte Zweck erlauben es nicht, sämtliche bekannten Verfahren der quantitativen Untersuchung der Phonemdistribution in allen Einzelheiten vorzustellen. Wir werden unser Augenmerk daher auf die Darlegung der Grundzüge einiger wichtiger Verfahren richten und insbesondere einige prinzipielle Probleme etwas eingehender erörtern.

2.

Distribution ohne Berücksichtigung der Frequenz

2.1. Metrisierung und Messung distributioneller Eigenschaften von Einzelphonemen bzw. der distributionellen Ähnlichkeit von jeweils zwei Einzelphonemen Wenn wir die distributionellen Relationen eines gegebenen Phonems K jeweils innerhalb einer bestimmten Rahmeneinheit K betrachten, so sind genau zwei Fälle zu unterscheiden: das fragliche Phonem kann entweder vor oder nach einem anderen Phonem vorkommen, kann also in einer zweigliedrigen Phonemverbindung entweder Vorgänger- oder Nachfolgerphonem sein. Folglich ist die Distribution eines Phonems die Menge derjenigen Phoneme, zu denen es in einer distributionellen Relation steht. Hierbei ist zwischen den beiden genannten Stellungen zu differenzieren, d. h. zwischen der Menge derjenigen Phoneme, denen das betrachtete Phonem vorausgeht, und der Menge derjenigen Phoneme, denen es folgt. Aus der isolierten Betrachtung dieser beiden Mengen sowie aus ihrem Vergleich unter wechselndem Gesichtspunkt lassen sich mehrere Distributionsmaße ableiten, die wir aber nicht sämtlich vorstellen werden. Bei der Bestimmung der distributionellen Ähnlichkeit von jeweils zwei Phonemen sind zwei Vorgänger- und zwei Nachfolgermengen zu berücksichtigen. Um zu distributionellen Einzel- und Vergleichsmaßen zu gelangen, sind vorher einige Festsetzungen zu treffen: P sei die Menge der Phoneme der Sprache L, und R sei die Relation „wird unmittelbar gefolgt von“. Dann kann man für je-

184

II. Gebiete und Phänomene: Phonologie / Fields and phenomena: phonology

des Phonem i zwei Teilmengen von P bilden, und zwar Ai Z {j 2 P | jRi},

(1)

d. h. die Menge aller Vorgänger von i, und iB Z {j 2 P | iRj},

(2)

d. h. die Menge aller Nachfolger von i. Die Eigenschaft eines Phonems, Vorgänger zu haben, bezeichnen wir als „Attraktivität“, die Eigenschaft, Nachfolger zu besitzen, als „Aggressivität“. Die Eigenschaft eines Phonems i, sich mit anderen Phonemen oder mit sich selbst zu Phonempaaren zu verbinden, gleichgültig, ob diese Phoneme zu Ai oder zu iB gehören, nennen wir „Assoziativität“. Beispiel: Im Russischen kommen im Rahmen der Silbe nach Kempgen (2001, 130) vor dem Phonem /b/ folgende Phoneme vor: Ab Z {a, e, i, o, u, v, g, d, ž, z, j, l, l’, m, n, r} Nachfolger von /b/ sind folgende Phoneme: bB Z {a, e, i, o, u, v, v’, g, d, d’, ž, z, z’, l, l’, n, n’, r, r’, c, č} | Ai | und | iB | bedeuten die Anzahl der Phoneme in den jeweiligen Mengen. Im Russischen ist beispielsweise | Ab |Z 16, | bB | Z 21. | Ai | und | iB | geben Auskunft über die Stärke der Attraktivität bzw. der Aggressivität von i. Solange wir uns auf die Untersuchung einer einzigen Sprache beschränken, können wir | Ai | und | iB | unmittelbar zum Ausgangspunkt einer Klassifikationsprozedur nehmen, mit deren Hilfe entschieden werden soll, ob sie jeweils einen hohen, einen mittleren oder einen niedrigen Grad der Attraktivität bzw. der Aggressivität anzeigen (vgl. 2.2.). Sobald aber dieser Rahmen aus irgendwelchen Gründen überschritten wird, stellt sich das Problem der Vergleichbarkeit und macht die Relativierung der absoluten Zahlenwerte von | Ai | und | iB | erforderlich. Harary und Paper (1957) haben vorgeschlagen, das Maß der Attraktivität und das Maß der Aggressivität von i in der Weise zu definieren, dass | Ai | bzw. | iB | stets auf K Z | P | bezogen werden, d. h. auf die Anzahl der Menge der Phoneme der gegebenen Sprache: At (i) Z Ag (i) Z

K Ai K K K iB K K

(3) (4)

Die Werte dieser beiden Maße fallen in das Intervall C0; 1D, so dass das Problem der Vergleichbarkeit tatsächlich gelöst ist. In der angegebenen Form haben das Attraktivitätsund das Aggressivitätsmaß recht weite Verbreitung gefunden (vgl. Altmann/Lehfeldt 1980, 229 f.). Hinter der Relativierung von | Ai | und | iB | auf K steckt natürlich der Gedanke, dass K die Anzahl der theoretisch möglichen Phonempaare mit i als einem Element sei. Es fragt sich aber, ob dieser Gedanke zutrifft, ob er in dieser allgemeinen Form durchgehalten werden kann. Zu dieser Frage hat Kempgen (1999) Überlegungen entwickelt, auf die wir uns im folgenden beziehen wollen. Wenn wir, wie in dem Beispiel oben, die Phonemdistribution im Russischen untersuchen und dies in bezug auf die Rahmeneinheit Silbe tun, so müssen wir die Möglichkeit der Verbindung eines Vokalphonems mit einem weiteren Vokalphonem von vorneherein ausschließen, da derartige Verbindungen im Silbenrahmen nicht vorkommen können, vielmehr das Vorliegen von zwei Silben anzeigen. Es ist also unrealistisch, bei der Bestimmung des Wertes des Attraktivitäts- bzw. des Aggressivitätsmaßes für ein russisches Vokalphonem | Ai | bzw. | iB |auf K zu beziehen, da die Anzahl der Phonempaare, in die ein solches Phonem im Silbenrahmen maximal eingehen kann, kleiner ist als K. Analoge Überlegungen müssen für jedes Phonem und für jede Phonemklasse angestellt werden. Allgemeiner formuliert: für jedes Phonem einer gegebenen Sprache sollte vor der Ermittlung der Werte des Attraktivitäts- und des Aggressivitätsmaßes festgestellt werden, welche Phonemverbindungen modellintern von vorneherein ausgeschlossen sind und daher bei der empirischen Untersuchung seiner Distribution gar nicht mehr auftreten können. Wenn ich beispielsweise einen russischen, in kyrillischer Schrift geschriebenen Text zum Zwecke der Untersuchung der Phonemdistribution phonologisch transkribiere und mich dabei an einem Modell orientiere, demzufolge vor stimmhaften Konsonanten nur paarig stimmhafte und vor stimmlosen Konsonanten nur paarig stimmlose stehen können, dann werde ich die Verbalform sglotnút’ phonologisch als /zglotnut’/ transkribieren. Eine Konsonantenverbindung wie etwa /sg/ ist ja modellintern von vorneherein ausgeschlossen.

185

12. Phonemdistribution

Bei der empirischen Untersuchung der Phonemdistribution einer gegebenen Sprache und damit im Zusammenhang bei der Ermittlung der Werte des Attraktivitätsbzw. des Aggressivitätsmaßes ist K jeweils, d. h. für jedes einzelne Phonem, um die Anzahl der strukturellen, modellbedingten Lücken zu vermindern. Die Lücken, die dann noch übrigbleiben, stellen Kombinationsmöglichkeiten dar, die modellintern nicht verboten sind, aber aus irgendwelchen Gründen zu einem gegebenen Zeitpunkt nicht ausgenutzt werden. Wenn wir mit Mi die Menge derjenigen Phoneme symbolisieren, die aus modellbedingten Vorkommensbeschränkungen nicht vor i auftreten können, und mit iM die Menge der Phoneme, die aus analogen Gründen als Nachfolger von i nicht in Frage kommen, dann gelangen wir zu folgenden modifizierten Maßen, die wir als Maß der modellinternen Attraktivität bzw. als Maß der modellinternen Aggressivität bezeichnen wollen (vgl. Kempgen 2001, 128): K Ai K

At m (i) Z

K K K Mi K

Agm (i) Z

K iB K K K K iM K

(5) (6)

Auch die Werte dieser Maße fallen in das Intervall (0;1). Beispiel: Wie wir gesehen haben, gilt für das Russische, dass | Ab |Z 16, | bB |Z 21. Der Umfang des von Kempgen seinen Untersuchungen zugrundegelegten Phoneminventars beträgt K Z 39. Die Werte des Maßes der Attraktivität und des Maßes der Aggressivität in deren ursprünglicher, von Harary und Paper (1957) definierter Form berechnen sich als At (b) Z Ag (b) Z

16 39 21 39

Z 0,410 Z 0,538

Nach Kempgen (1999, 181) sind als Vorgänger von /b/ im Silbenrahmen die Phoneme /k, k’, p, p’, s, s’, t, t’, f, f’, š/ modellbedingt von vorneherein ausgeschlossen, d. h. Mb Z {k, k’, p, p’, s, s’, t, t’, f, f’, š}, | Mb |Z 11 Analog gilt, dass bM Z {b’, k, k’, p, p’, s, s’, t, t’, f, f’, š}, | bM |Z 12

Die Werte des Maßes der modellinternen Attraktivität und des Maßes der modellinternen Aggressivität berechnen sich als At m (b) Z Ag m (b) Z

16 39K11 21 39K12

Z 0,571 Z 0,778

Die Werte der modifizierten Maße sind größer als die der ursprünglichen Maße, da wir der Berechnung jetzt eine viel realitätsnähere Obergrenze der prinzipiell empirisch möglichen Phonemkombinationen zugrundegelegt haben. Die Ermittlung der Werte der modifizierten Maße erfordert zwar einen größeren Aufwand, als das bei den ursprünglichen Maßen der Fall ist, doch ist dieser Aufwand eben wegen der größeren Realitätsnähe der Ergebnisse gerechtfertigt und erforderlich. Wir haben uns hier recht ausführlich mit einigen Problemen beschäftigt, die bei der Festlegung von nur zwei Assoziativitätsmaßen auftreten. Auf diese Weise sollte demonstriert werden, wie wichtig es ist, bei der Definition solcher und anderer Maße von distributionellen Phonemeigenschaften mathematische und linguistische Gesichtspunkte gleich sorgfältig zu beachten. Harary und Paper (1957) und in ihrer Nachfolge eine Reihe anderer Autoren haben zahlreiche weitere Distributionsmaße entwickelt, die wir hier aber nicht im einzelnen vorstellen wollen, da sie in der einschlägigen Literatur leicht nachgelesen werden können (vgl. Altmann/Lehfeldt 1980, 217 ff.): Maß der Assoziativität, d. h. der Fähigkeit eines Phonems i, sich mit anderen Phonemen zu Phonempaaren zu verbinden, gleichgültig, ob diese Phoneme zur Vorgängeroder zur Nachfolgermenge von i oder zu beiden Mengen gleichzeitig gehören; Maß der Symmetrie, d. h. der Fähigkeit eines Phonems i, sich mit anderen Phonemen sowohl als Vorgänger wie als Nachfolger zu verbinden; Maß der Reflexivität, d. h. der Fähigkeit eines Phonems i, mit sich selbst eine Phonemverbindung einzugehen. Auch im Hinblick auf diese Maße sollte daran gedacht werden, sie unter Berücksichtigung der modellintern jeweils ausgeschlossenen Phonemverbindungen zu modifizieren. Bisher war stets die Rede von Maßen, die jeweils bestimmte distributionelle Eigenschaften von einzelnen Phonemen erfassen.

186

II. Gebiete und Phänomene: Phonologie / Fields and phenomena: phonology

Wenn ich zwei Phoneme im Hinblick auf die Ausprägung irgendeiner distributionellen Eigenschaft vergleichen will, so kann ich das in der Weise tun, dass ich die Werte betrachte, die das entsprechende Maß für sie annimmt. Es ist aber auch ein anderer Weg möglich, indem ich das Verhältnis der distributionellen Eigenschaften zweier Phoneme zueinander in einem einzigen Ausdruck erfasse. Dies geschieht mit Hilfe von Ähnlichkeits- oder ihnen komplementären Differenzmaßen. Auch diese Möglichkeit soll hier nur in ihren Grundzügen erörtert werden, wobei wir als Beispiel die attraktive distributionelle Ähnlichkeit zweier Phoneme i und j auswählen. Diese Ähnlichkeit ist dann am größten, wenn alle Phoneme, die vor i vorkommen, gleichzeitig auch vor j stehen und umgekehrt. Dabei spielt es keine Rolle, wie groß die Anzahl dieser Phoneme ist. Daher ist die Zahl der Phoneme, die sowohl in Ai wie in Aj zu finden sind, auf das jeweilige Maximum möglicher Übereinstimmung zu beziehen, das von Fall zu Fall verschieden sein kann. Als dieses Maximum ist nach dem Gesagten die Zahl der Phoneme in der Vereinigungsmenge von Ai und Aj anzusehen. Die attraktive distributionelle Ähnlichkeit von i und j ist somit definiert als Satt (i, j) Z

K Ai h Aj K

(7)

K Ai g Aj K

Da bei der Definition dieses Maßes nur wirklich existierende Phonemverbindungen berücksichtigt werden, entfallen hier die Probleme, die wir bei den distributionellen Einzelmaßen kennengelernt haben. Beispiel: Es soll die attraktive distributionelle Ähnlichkeit der Phoneme /g/ und /n’/ des Russischen bestimmt werden. Wenn wir uns wieder auf die Distributionsmatrix von Kempgen (1999, 181) beziehen, so sehen wir, dass Ag Z {a, e, i, o, u, b, v, g, d, ž, z, j, l, l’, m, n, r, x, c, č} An’ Z {a, e, i, o, u, b, v, g, d, ž, z, z’, k, l, l’, m, p, r, s’, t, x, c, š} Ag h An’ Z {a, e, i, o, u, b, v, g, d, ž, z, l, l’, m, r, x, c} Ag g An’ Z {a, e, i, o, u, b, v, g, d, ž, z, j, z’, k, l, l’, m, n, p, r, s’, t, x, c, č, š} Also gilt, dass Satt (i, j) Z

K Ai h Aj K K Ai g Aj K

17 Z 26

Z 0,654.

2.2. Distributionelle Klassifikation der Phoneme Die Werte, die die im vorangehenden Abschnitt in ihren Grundzügen vorgestellten und an wenigen Beispielen illustrierten distributionellen Einzel- und Vergleichsmaße jeweils annehmen, sind nichts anderes als in Zahlen ausgedrückte deskriptive Aussagen. Das Ziel einer Untersuchung der Phonemdistribution einer Sprache kann sich nicht in der Ermittlung solcher Werte erschöpfen. Vielmehr müssen diese Werte interpretiert und linguistisch ausgewertet werden. Der erste Schritt hin zur Verwirklichung dieser Vorstellung kann darin bestehen, dass wir die Phoneme einer Sprache aufgrund des Grades der Ausprägung einer distributionellen Eigenschaft oder auch mehrerer solcher Eigenschaften gleichzeitig klassifizieren. So würden beispielsweise alle Phoneme, die hochgradig attraktiv sind, eine Klasse, diejenigen, die hochgradig inattraktiv sind, eine weitere Klasse bilden, und dazwischen würde die Klasse der Phoneme mittlerer oder durchschnittlicher Attraktivität liegen. Eine auf diese Weise zustandegekommene Klassifikation könnte dann ihrerseits als Grundlage weiterführender Untersuchungen dienen, etwa dergestalt, dass gefragt wird, ob die Angehörigen einer distributionellen Klasse, die ja sämtlich einen bestimmten Ausprägungsgrad einer distributionellen Eigenschaft repräsentieren, weitere, nichtdistributionelle Gemeinsamkeiten aufweisen. Die Frage, die als erste zu beantworten ist, lautet, wie die distributionelle Klassifikation durchgeführt werden kann. Wenn wir uns, wie angedeutet, an der Vorstellung orientieren, dass jeweils drei Phonemklassen gebildet werden sollen, dann müssen die Grenzen zwischen diesen Klassen mit Hilfe eines dazu geeigneten Verfahrens bestimmt werden. In der Literatur sind dazu etliche Vorschläge gemacht worden. Hier kann es wiederum nur darum gehen, einen dieser Vorschläge in seinen Grundzügen vorzustellen, um zu demonstrieren, wie für die Beantwortung bestimmter linguistischer Fragestellungen die geeigneten mathematischen Modelle ausgewählt werden können. Wie wir in Abschnitt 2.1. gesehen haben, nimmt das Maß der modellinternen Attraktivität für das Phonem /b/ des Russischen den Wert 0,571 an, der entsprechende Wert des Maßes der modellinternen Aggressivität beträgt 0,778. Repräsentieren diese Werte einen hohen, einen mittleren oder einen

187

12. Phonemdistribution

niedrigen Grad an Attraktivität bzw. an Aggressivität, liegt der Aggressivitätsgrad signifikant höher als der Attraktivitätsgrad? Diese Frage soll hier mit Hilfe eines statistischen Modells beantwortet werden. Dazu müssen wir die Wahrscheinlichkeit kennen, mit der /b/ als Vorgänger bzw. als Nachfolger all derjenigen Phoneme vorkommt, mit denen es sich modellintern überhaupt verbinden kann. Da wir im gegenwärtigen Untersuchungsstadium diese Wahrscheinlichkeit nicht aus der Frequenz der einzelnen Phonemverbindungen mit /b/ als einem Glied abschätzen können, müssen wir mit a priori festgelegten Wahrscheinlichkeiten arbeiten, indem wir annehmen, dass jede Phonemverbindung mit gleicher Wahrscheinlichkeit zustandekommt und dass die Wahrscheinlichkeit der Realisierung einer jeden bestimmten Phonemverbindung gleich der Wahrscheinlichkeit ihrer Nichtrealisierung ist. Beschränken wir unsere Betrachtung zunächst auf die Attraktivität und fragen danach, ob ein gegebenes Phonem i attraktiv (d. h. hochgradig attraktiv), nichtattraktiv (d. h. hochgradig inattraktiv) oder semiattraktiv (d. h. durchschnittlich attraktiv) ist. Dazu stellen wir folgendes Gedankenexperiment an: Aus der Menge der Phoneme der gegebenen Sprache entfernen wir all diejenigen Phoneme, von denen wir bereits wissen, dass sie sich modellintern nicht mit i als ihrem Nachfolger verbinden können. Die derart reduzierte Phonemmenge umfasst jetzt noch K K | Mi | Elemente. In Bezug auf diese Restmenge unternehmen wir ein Zufallsexperiment, indem wir für jedes der in ihr enthaltenen Phoneme fragen, ob es sich mit i als zweitem Glied zu einem Phonempaar verbindet. Für dieses Experiment gelten folgende Bedingungen: (1) Bei jedem Einzelversuch sind stets nur zwei Ausgänge möglich: entweder existiert die in Rede stehende Verbindung, oder sie existiert nicht. (2) Die Wahrscheinlichkeit p (ij) eines positiven Ausgangs ist für jeden Einzelversuch gleich der Wahrscheinlichkeit q (ij) eines negativen Ausgangs, und zwar beträgt sie gemäß der oben getroffenen Festsetzung p (ij) Z q (ij) Z 0,5. (3) Die Versuche sind unabhängig voneinander, d. h. allgemein, der Ausgang der Untersuchung der Verbindung ij hat keinen Einfluss auf den Ausgang der Untersuchung der Verbindung ik usw.

Die genannten Bedingungen unseres linguistischen Experiments treffen auf die Binomialverteilung zu. Das heißt, die Zufallsvariable X Z ,Anzahl der realisierten Phonemverbindungen mit i als zweitem Glied‘ ist binomial verteilt. Demnach berechnet sich die Wahrscheinlichkeit, dass ein Phonem i genau | Ai | Vorgänger hat, als P (X Z K Ai K ) K K K Mi K Z p K Ai K q KK K Ai K Z

( (

) )

|

Mi K K K Ai K

K K K Mi K 0,5 KK KMi K K Ai K

(8)

Für den von uns angestrebten Zweck benötigen wir nicht nur die Wahrscheinlichkeit dieses einen Ausgangs, sondern auch die all derjenigen Ausgänge, die extremer als | Ai | sind. Dazu bilden wir die Summe der Wahrscheinlichkeiten für verschiedene Werte von X. Und zwar durchläuft X die Werte von 0 bis | Ai |, wenn | Ai | kleiner als der Erwartungswert ist, oder von | Ai | bis K K | Mi |, wenn | Ai | über dem Erwartungswert liegt: P (X R K Ai K ) K Ai K K K K Mi K Z∑ p xq KKK Mi KKx x xZ0

(

)

P (X R K Ai K ) KKK Mi K K K K Mi K p xq KKK Mi KKx Z ∑ x xZK Ai K

(

)

(9)

(10)

Der Erwartungswert für X berechnet sich als E (X) Z (K K | Mi |) p Z (K K | Mi |) 0,5, d. h. als die Hälfte der Zahl der Phoneme, die sich modellintern mit i verbinden können. Um bestimmen zu können, ob der jeweilige Wert von | Ai | einen hohen, einen mittleren oder einen niedrigen Attraktivitätsgrad anzeigt, suchen wir jetzt zwei Zahlen x1 und x2, von denen gilt: P (X % x1) Z P (X R x2) Z 0,025 Wir setzen also ein Intervall fest, von dem gilt, dass seine untere oder seine obere Grenze mit einer Wahrscheinlichkeit von 0,025 überschritten wird. Wenn das geschehen ist, können wir unsere Ausgangsfrage wie folgt beantworten: (a) Ist | Ai | % x1, dann betrachten wir das Phonem i als nichtattraktiv. (b) Ist | Ai | größer als x1, aber kleiner als x2, dann betrachten wir das Phonem i als semiattraktiv.

188

II. Gebiete und Phänomene: Phonologie / Fields and phenomena: phonology

(c) Ist | Ai | R x2, dann betrachten wir das Phonem i als attraktiv. Die Berechnungen für | iB | sind ganz analog. Beispiel: Das russische Phonem /b/ verbindet sich nach Kempgen (1999, 181) mit 16 Vorgängerphonemen, d. h. | Ab | Z 16. Der Erwartungswert berechnet sich als E (X) Z (K K | Mb |) 0,5 Z (39 K 11) 0,5 Z 14. Nunmehr bestimmen wir ein Intervall, wie oben dargelegt. Mit Hilfe der Tafel der Binomialverteilung stellen wir fest, dass x1 Z 9 und x2 Z 19. Daraus folgt, dass /b/ im Russischen semiattraktiv ist, d. h. einen „durchschnittlichen“ Attraktivitätsgrad aufweist. K Dasselbe Phonem /b/ verbindet sich mit 21 Nachfolgerphonemen, d. h. | bB | Z 21. Der Erwartungswert berechnet sich als E (X) Z (K K | bM |) 0,5 Z (39 K 12) 0,5 Z 13,5. x1 Z 8, x2 Z 19. Folglich ist /b/ im Russischen aggressiv, d. h., weist einen hohen Aggressivitätsgrad auf. NB: Wie aus den theoretischen Erörterungen und den Beispielen ersichtlich, ist es erforderlich, für jedes Phonem und dabei gesondert für | Ai | und | iB | die Intervallgrenzen x1 und x2 neu zu bestimmen, da der Wert von K K | iM | bzw. K K | Mi | variieren kann. In dieser wichtigen Hinsicht unterscheidet sich das dargelegte Entscheidungsverfahren von der bei Altmann/Lehfeldt (1980, 258 ff.) zu findenden Prozedur, bei der | Ai | und | iB | stets auf K bezogen werden. 2.3. Distributionelle Sprachklassifikation Wenn es darum geht, dass Eigenschaften der Phonemdistribution beim typologischen Sprachvergleich berücksichtigt werden sollen, ist es aus leicht einsehbaren Gründen nicht möglich, einzelne Phoneme oder Phonemverbindungen und die ihnen zugeordneten Werte der verschiedenen Distributionsbzw. Ähnlichkeitsmaße zueinander in Beziehung zu setzen. Vielmehr ist es zu diesem Zweck erforderlich, die Phonemsysteme durch distributionelle Totalmaße zu charakterisieren, deren Werte für mehrere Sprachen miteinander verglichen werden können. Ein Beispiel ist das Maß der totalen Assoziativität. Es berechnet sich, indem wir die Anzahl R aller in einer Sprache zu einem gegebenen Zeitpunkt realisierten Phonempaare zur Zahl aller theoretisch denkbaren Phonempaare in Beziehung setzen, um auf diese Weise zu ermitteln, in welchem Aus-

maß das theoretische Maximum an Verbindungsmöglichkeiten ausgenutzt wird. Dieses Maximum ergibt sich, indem wir von K 2K Anzahl der Phonempaare, wenn sich jedes Phonem mit allen anderen Phonemen und mit sich selbst kombinierte K die Anzahl Rm der modellintern ausgeschlossenen Kombinationen subtrahieren, d. h. Asm (L) Z

R 2

K K Rm

(11)

Nach den Untersuchungen von Kempgen (2001, 129) nimmt dieses Maß für das Russische den Wert 0,6702 an. Leider besitzen wir im Moment noch keine weiteren Werte für andere Sprachen. Die in einer Reihe von Publikationen vorgelegten Werte sind noch in der Weise zustandegekommen, dass R stets einfach auf K 2 bezogen wurde. Sie müssten jetzt erst in der oben vorgeschlagenen Weise modifiziert werden. Hierbei stellt sich das Problem der Vergleichbarkeit in aller Schärfe: Damit die Werte des Maßes Asm (L) zu aussagekräftigen Vergleichen führen können, müssen der Ermittlung des Phonemsystems und der Bestimmung der modellintern ausgeschlossenen Phonemverbindungen von Sprache zu Sprache die gleichen theoretischen Prinzipien zugrundegelegt werden. Bei einer sogenannten polythetischen Sprachklassifikation sind die Sprachwissenschaftler daran interessiert, die untersuchten Sprachen im Hinblick auf möglichst viele Merkmale der verschiedenen Sprachebenen gleichzeitig zu vergleichen, um die oftmals nur latenten, nicht auf der Oberfläche liegenden Merkmalszusammenhänge zu ermitteln. Das kann in der Weise geschehen, dass für die einzelnen Sprachen Vektoren aufgestellt werden, die aus den Werten verschiedener K phonologischer, morphologischer, syntaktischer u. a. K Totalmaße bestehen. Wenn wir uns hier auf die Phonemdistribution beschränken, so könnte ein solcher Vektor etwa die Werte der Maße der totalen Assoziativität (vgl. 2.1.), der totalen Symmetrie, der totalen Reflexivität u. a. enthalten, die aus der Literatur bekannt sind. Auf der Grundlage derartiger Vektoren kann dann die Ähnlichkeit bzw. die Differenz von je zwei Sprachen hinsichtlich der berücksichtigten Parameter ermittelt werden, und diese Werte können dann ihrerseits als Grundlage für eine hierarchische Sprachklassifikation dienen, deren Klassen vielfäl-

12. Phonemdistribution

tigen Interpretationsmöglichkeiten offenstehen, sei es, dass danach gefragt wird, welche der bei der Klassifikation berücksichtigten Parameter für die Klassenbildung eine Schlüsselrolle spielen (interne Interpretation), sei es, dass zur Interpretation weitere Merkmale herangezogen, d. h. neue Merkmalszusammenhänge aufgedeckt werden (externe Interpretation). K Wir müssen es aus Platzgründen mit diesen notgedrungen allgemeinen Bemerkungen sein Bewenden haben lassen und verweisen den Leser auf die Literatur, in der nähere Informationen zu finden sind; vgl. Altmann/Lehfeldt (1972); Lehfeldt (1972); Altmann/Lehfeldt (1980, 282K293).

3.

Distribution mit Berücksichtigung der Frequenz

In den in Abschnitt 2. vorgestellten bzw. angedeuteten Untersuchungsverfahren wurde stets nur danach gefragt, ob eine bestimmte Phonemverbindung ij in einer Sprache zu einem gegebenen Zeitpunkt vorkommt oder nicht, letzteres aus modellinternen oder aus zufälligen Gründen. Das heißt, dass solche Verbindungen, die beispielsweise nur in wenigen, möglicherweise auch noch selten gebrauchten Fremdwörtern begegnen, genau so wie die für eine Sprache typischen, häufig verwendeten Verbindungen behandelt werden. Die Vernachlässigung der distributionellen Frequenz führt also zu einer Nivellierung wichtiger Unterschiede, die nur solange hingenommen werden kann, wie keine brauchbaren Frequenzangaben zur Verfügung stehen. Die Analyse solcher Daten ermöglicht es, existierende Phonemverbindungen danach zu beurteilen und zu klassifizieren, in welchem Maße sie in das phonotaktische System der gegebenen Sprache eingegliedert sind. Hierbei ist zu unterscheiden zwischen der systemischen Frequenz, d. h. der Häufigkeit von Phonemverbindungen innerhalb eines Inventars von Rahmeneinheiten, deren Gebrauchsfrequenz unberücksichtigt bleibt, und der pragmatischen Frequenz, d. h. der Häufigkeit von Phonemverbindungen innerhalb eines bestimmten Textkorpus. Die Beurteilung der K systemischen oder pragmatischen K Frequenz einer Phonemverbindung ij geschieht am geeignetsten auf der Grundlage eines passenden statistischen

189 Modells. Im folgenden seien nur die Grundzüge eines möglichen Verfahrens angegeben. Zu den mathematischen Einzelschritten, deren Darstellung viel Platz beanspruchen würde, sei auf die Spezialliteratur verwiesen. Wir gehen von der Vorstellung aus, dass die aus einem bestimmten Inventar oder Textkorpus ermittelten Frequenzen sämtlicher existierenden Phonemverbindungen in einer Tabelle zusammengestellt sind. Um die Frequenz einer gegebenen Phonemverbindung ij danach zu beurteilen, was sie uns über den Grad der Eingliederung dieser Verbindung in das phonotaktische System der fraglichen Sprache zu sagen vermag, gehen wir von folgender probabilistischer Grundvorstellung aus: Wenn die Wahrscheinlichkeit pij dieser Verbindung gleich dem Produkt der Wahrscheinlichkeiten ihrer Komponenten i und j ist, d. h., wenn pij Z pi pj, dann gelten die Phoneme i und j als stochastisch voneinander unabhängig. In linguistischer Interpretation bedeutet dies, dass die Phoneme i und j in der Anordnung ij weder eine Tendenz zur Assoziation, noch eine solche zur Dissoziation aufweisen, d. h., sie ziehen sich nicht besonders stark an, stoßen sich aber auch nicht besonders stark ab, sondern verhalten sich zueinander neutral. In dem Maße, in dem der Unterschied zwischen pij und pi pj zunimmt, verstärkt sich die Tendenz zur Assoziation bzw. die zur Dissoziation. Das heißt, wir haben mit Hilfe eines geeigneten statistischen Modells die Differenz pij K pi pj und die Richtung dieses Unterschieds zu beurteilen. Hierbei sind drei Arten von Ergebnissen denkbar: (a) Wenn die Differenz positiv und signifikant groß ist, dann sprechen wir von einer assoziativen Tendenz von i und j im Verhältnis zueinander und in der Anordnung ij. Die Phonemverbindung ij selbst wird als bevorzugt, abgekürzt P (für preferred), eingestuft. (b) Wenn die Differenz negativ und signifikant groß ist, dann sprechen wir von einer dissoziativen Tendenz. Die Phonemverbindung ij selbst bezeichnen wir als marginal, abgekürzt M. (c) In allen anderen Fällen, d. h., wenn die Differenz nicht signifikant groß ist, ungeachtet ihrer Richtung, dann verhalten sich i und j in der Anordnung ij neutral zueinander. Die Phonemverbindung ij

190

II. Gebiete und Phänomene: Phonologie / Fields and phenomena: phonology

heißt in einem solchen Fall aktuell, abgekürzt A. Die angedeuteten Rechnungen werden auch dann durchgeführt, wenn die Frequenz nij von ij gleich Null ist, zumindest dann, wenn das Nichtvorkommen von ij nicht modellintern bedingt ist, d. h., der Grad der Eingliederung von ij in das phonotaktische System wird auch dann beurteilt, wenn ij in dem untersuchten Korpus oder Inventar zufällig nicht belegt ist. Ist bei einer nicht belegten, aber modellintern nicht ausgeschlossenen Verbindung ij die Differenz zwischen pij und pi pj nichtsignifikant groß, bezeichnen wir ij als virtuell (V). Die übrigen nicht belegten Verbindungen gelten als unzulässig, abgekürzt I (für inadmissible). Wenn wir die angedeutete Prozedur auf die gesamte Distributionstabelle anwenden, werden deren Frequenzangaben jeweils durch eines der Symbole P, M, A, V, I ersetzt, die die Zugehörigkeit einer Phonemverbindung zu einer der fünf genannten Distributionsklassen anzeigen. Die neue Tabelle, die wir auf diese Weise erhalten, kann nun ihrerseits weiter ausgewertet werden, wofür es eine Reihe von Möglichkeiten gibt. Beispielsweise können wir jedes einzelne Phonem i im Hinblick auf seine Attraktivität charakterisieren, indem wir einen Vektor aus fünf Elementen bilden, wobei jedes Element die Anzahl der Phoneme angibt, mit denen i einen der genannten Typen von Attraktivität K P, M, A, V oder I K eingeht. Dazu brauchen wir lediglich in der Spalte von i abzuzählen, wie oft dort P, M, A, V oder I verzeichnet sind. Derartige Vektoren K wie sie natürlich auch im Hinblick auf die Aggressivität und die Assoziativität gebildet werden können K, können die Grundlage für den distributionellen Phonemvergleich abgeben, indem die attraktive Ähnlichkeit bzw. die attraktive Distanz gemessen wird. Für den Sprachvergleich empfiehlt sich die Bildung eines Vektors, dessen fünf Elemente anzeigen, wie viele P-, M-, A-, Vbzw. I-Verbindungen die betreffende Sprache aufweist. Auf diese Weise wird ein frequenzbasierter distributioneller Vergleich ganzer Sprachen möglich K ein Parameter, der in typologischen Untersuchungen eine Rolle spielen kann. K Zu den Einzelheiten des hier nur angedeuteten Verfahrens vgl. Altmann/Lehfeldt (1980, 295 ff.).

4.

Literatur (in Auswahl)

Altmann, Gabriel/Lehfeldt, Werner (1972), Typologie der phonologischen Distributionsprofile. In: Beiträge zur Linguistik und Informationsverarbeitung 22, 8K32. Altmann, Gabriel/Lehfeldt, Werner (1980), Einführung in die Quantitative Phonologie. Bochum: Brockmeyer. Birnbaum, Henrik (1967), Syntagmatische und paradigmatische Phonologie. In: Phonologie der Gegenwart. (Hrsg. J. Hamm). Graz u. a.: Böhlau, 307K352. Carroll, John B. (1958), The assessment of phoneme cluster frequencies. In: Language 34, 267K 278. Greenberg, John H. (1964), Nekotorye obobsˇcˇenija, kasajusˇcˇiesja vozmozˇnych nacˇal’nych i konecˇnych posledovatel’nostej soglasnych. In: Voprosy jazykoznanija 4, 41K65. Harary, Frank/Paper, Herbert H. (1957), Toward a general calculus of phonemic distribution. In: Language 33, 143K169. Kempgen, Sebastian (1995), Phonemcluster und Phonemdistanzen (im Russischen). In: Slavistische Linguistik 1994. (Hrsg. D. Weiss). München: Sagner, 197K221. Kempgen, Sebastian (1999), Modellbedingte Distributionsbeschränkungen in der Phonologie. In: Ars Philologica. Festschrift für Baldur Panzer zum 65. Geburtstag. (Hrsg. K. Grünberg/W. Potthoff). Frankfurt a. M. u. a.: Lang, 179K184. Kempgen, Sebastian (2001), Assoziativität der Phoneme im Russischen. In: Text as a Linguistic Paradigm: Levels, Constituents, Constructs. Festschrift in Honour of L. Hrˇebícˇek. (Hrsg. L. Uhlírˇová). Trier: VWT, 124K135. Lehfeldt, Werner (1972), Phonologische Typologie der slavischen Sprachen. In: Die Welt der Slaven 17, 318K340. Saporta, Sol (1955), Frequency of consonant clusters. In: Language 31, 25K31. Trnka, Bohumil (1936), General laws of phonemic combinations. In: Travaux du Cercle Linguistique de Prague 6, 57K62. Trubetzkoy, Nikolaj S. (1939), Grundzüge der Phonologie. Travaux du Cercle Linguistique de Prague 7. Prague. [Nachdruck: Nendeln: Kraus, 1968] Vogt, Hans (1942), The structure of the Norwegian monosyllable. In: Norsk Tidsskrift for Sprogvidenskap 12, 5K29.

Werner Lehfeldt, Göttingen (Deutschland)

191

13. Phonic word structure

13. Phonic word structure 1. 2. 3. 4. 5. 6. 7. 8.

Introduction Data Positional distribution of phonemes The overall exploitation of phonemes Harmony Symmetry Canonical forms Literature (a selection)

1.

Introduction

The entity word K being one that can be defined in different ways K displays different measurable properties. It consists of smaller elements like phonemes (letters), syllables, morphemes or even moras and bars, all building distinct structures. Some linguistic schools prefer even distinctive features, which can be more advantageous for some purposes but not for the capturing of the phonic word structure since (i) one always examines and presents a system as a whole consisting of immediate constituents (subsystems) (cf. e. g. Miller 1978) and (ii) taking in account too many steps in the hierarchy of subsystems the dependencies get either too complex or irrelevant. One does not describe the movement of planets around the sun as a sum of movements of a set of atoms. Phonic structures within the word arise by the effect of background mechanisms, they have a stochastic character and can be captured by means of hypotheses, which are inductive at the beginning and deductive later on. The entity word has not only phonic properties, but also grammatical, semantic, emotional, polyanna, aesthetical, pragmatic, courtesy etc. ones. If one restricts oneself to phonic components of the word, then hypotheses of the following kind can be set up: (1) Hypotheses about the frequency of phonemes or syllables at which they take part in the construction of words. (2) Hypotheses about the combinatorial and the positional distribution of phonemes in the word (see article no. 12). (3) Hypotheses about canonical forms which are built by few phoneme classes e. g. V(owel) and C(onsonant). V and C are the coarsest categories, other classifications are easily possible (cf. Roberts 1965).

The first investigations concerning hypotheses of type (3) have been performed by Uhlenbeck (1949; 1950) who prepared an extensive descriptive statistics of Javanese words, while Menzerath (1950a; 1950b) was first interested in typology and later wrote an extensive study on the word structure of German. Greenberg (1950) studied the combinability of the three consonants in Arabic words. These works experienced a rich echo. Uhlenbeck’s example gave rise to monographs about Afrikaans (Odendahl 1962) and Indonesian (Dubovská s. d.), somewhat different is that by Roberts (1965). Menzerath’s example gave rise to a number of hardly accessible dissertations at the University of Bonn. Tests for combinatorial hypotheses and canonical forms have been performed by Greenberg (1950), Ross (1950), Herdan (1966 and others), Krupa (1966; 1967a; 1967b; 1971), Altmann (1967; 1968; 1986), Schulz/Altmann (1988), Altmann/ Bagheri/Goebl et al. (2002) and others. Since only a few languages have been processed so far, one can proceed rather exploratively at the beginning.

2.

Data

The object of examination is always the whole dictionary which should be as extensive as possible. However, one should not use a mixture of dictionaries. Quite different results can be obtained if one uses texts as starting point, since in synthetic languages the affixes are counted, too. The phonological transcription must, of course, be clarified before the analysis begins. The source data are usually presented in the form of tables which optically stimulate the setting up of inductive hypotheses. For the formal analysis of words one needs (1) a table of phoneme frequencies in three positions: initial, medial and final, whose marginal distribution shows in turn the exploitation of phonemes in the construction of words; (2) a table of frequencies of phoneme sequences. At the beginning sequences of two phonemes are sufficient. This enables us to study the distribution of phonemes. If necessary, special tables of phoneme combinations in non-neigh-

192

II. Gebiete und Phänomene: Phonologie / Fields and phenomena: phonology

bouring positions can be prepared, in order to study other, more latent patterns; (3) a table of the distribution of word length according to the number of phonemes and syllables allowing us to set up other construction hypotheses. When processing a dictionary for this purpose one encounters a number of problems that must be taken into account because their solution can influence the results. Unfortunately, merely recommendations can be given here, because in every language there are different special problems. For the study of the phonological word structure the following elementary recommendations can be given: (a) Take into account all variants K phonological, morphological, lexical K if they are presented in the dictionary. For example all three variants of zas, zasa, zase (again) in Slovak, hamv, hamu (Ashes) in Hungarian, pairs like nesti, nosit’ (to carry) depending on aspect in Russian etc. In the same way lexical variants of which one is denoted as correct the other one as incorrect e. g. pásavka and mandelinka (Colorado beetle) in Slovak, because the so-called incorrect variant is probably the victim of purism. (b) Do not take into account conversions. Thus, in English convict (to convict, the convict) should be counted only once. The same holds for German where the conversion of verbs to nouns does not cause a formal change. However, if one studies the distribution of meanings, then one should add all meanings. Lexemes of this kind simply belong to several word classes and each membership should be taken into account. (c) Skip all abbreviations. These encompass not only abbreviations written with capitals (e. g. EC, European Community) but also cm, km and all short words that arose in an artificial way especially in East European languages like robkor (worker reporter), politbjuro (political bureau) in Russian filling a whole dictionary and disappearing slowly. Abbreviations distort both the picture of phoneme distribution and that of canonical forms. (d) Skip the names of letters. Take into account the names of notes, strings and

(e)

(f) (g)

(h)

3.

transcribe them phonetically if they are in the dictionary, e. g. ce, de, sol, la. Words with hyphen should be processed separately in every language. In Indonesian it is recommended to consider reduplications as one word, in German to ignore hyphenated words because they do not have the status of full compounds. In English there are special rules demonstrating different coherence, e. g. spaceship, space-saving, space station. Words marked as archaic, old or belonging to a jargon, argot etc. should rather be ignored. In Slavic languages it is usual to present the masculine form of adjectives in the dictionary. Nevertheless, one can also use the feminine or neutral form or skip the affix if it seems reasonable, e. g. if this procedure does not give rise to new canonical forms. In a Hungarian dictionary, however, one finds the shortest form, namely the third person singular, shortening thereby the length of verbs by two phonemes and one syllable. In Indonesian one finds the basic form under which all derivates and compounds are presented. There are languages in which it is possible to form a verb from any word. One should take them into account only if they are presented in the dictionary. Foreign words can be treated differently. Some of them can be fully eliminated K if one thinks that they strongly distort the construction principles of words. But if one takes them all into account, one obtains a more actual picture of language than without them. Phonetically, the word computer does not belong to all languages but can hardly be (without shortsighted government authority) banished from a modern language.

Positional distribution of phonemes

In every language there are not only distributional but also positional restrictions applying to phoneme occurrence in words. Their ascertainment is important for the mechanical deciphering of the morphology of language K a problem pursued by computer linguists since the sixties (cf. Andreev 1967) K and the ascertainment of the phonemic

193

13. Phonic word structure

principles of word construction. Unfortunately, the number of examined languages is too small so that we must accept restriction to empirical results and elementary test methods. With respect to the positional aspect we distinguish three positions only: initial, medial and final. In the Indonesian dictionary (Echols/Shadily 1963) that was completely transcribed phonemically we found the frequencies of phonemes at those positions as given in Table 13.1. As can be seen easily, at each position there are some restrictions broken merely by foreign words. In order to measure the constructional potential of individual phonemes one must test each cell of the table. Let nij be the number in the table, ni. the marginal sum of the ith row (the right margin of the table), n.j the marginal sum of the column j (the marginal sum in the last row of the table) and n the total (here: 188446). The test for an individual cell can be performed according to the formula

Table 13.1: Positional frequency of Indonesian phonemes Phoneme Initial

a * m n r i u k t s p l b s o d h e g ñ q c j nij K Eij y (1) zZ w Oni. n.j (n K ni.) (n K n.j) / [n2 (n K 1)] f where z is the quantil of the normal distribux tion, Eij is the expected number in the cell S 具i, j典 estimated as z

ni. n.j

. n As an example, let us consider the frequency of the phoneme /b/. At initial position we have nbI Z 3143 and EbI Z 6712 (24336) / 188446 Z 866.79. Inserting these numbers into (1) we obtain Eij Z

zZ

0 K 866.79 26.98

Z K32.13

Sum

1918 52 534 7143 1427 2044 570 21 1806 2106 631 931 0 990 145 0 1298 83 0 0 2110 4 0 338 135 40 7 3 0

30223 20348 12962 12371 11706 10394 9422 9304 8364 7740 6995 6720 6712 6562 4176 3388 3283 3126 2902 2654 2242 2080 1895 1083 1016 388 189 101 93

24336

139774

24336

188446

We make decisions according to Table 13.2 (cf. Altmann/Lehfeldt 1980, 301) in which the first row gives the statistical criterion (z-test) and the first column the existence

O6712 (24336) (188446 K 6712) (188446 K 24336) / [1884462 (188445)]

i. e. a strong negative tendency, and for the medial position

zZ

Final

27693 20218 5570 5056 9686 8114 8640 6656 4968 5600 3273 5174 3569 3911 3921 2905 1746 2951 2275 2625 132 1607 1481 723 763 244 143 61 69

3143 K 866.79

Since 84.36 is much higher than | z0.05 | Z 1.96 we say that /b/ is strongly associated with the initial position, i. e. it prefers this position. For /b/ at the end of the word we obtain zZ

Total

Medial

612 78 6858 172 593 236 212 2627 1590 34 3091 615 3143 1661 110 483 239 92 634 29 0 469 414 22 118 104 39 37 24

Z 84.36.

criterion. That is, we distinguish whether the phoneme occurs in a position at all (nij O 0) or not (nij Z 0). If it does not occur and its expectation is also low, then it is possible that it could occur (virtual), but if its expectation is high there is a structural gap and we denote it as inadmissible. If one performs this test for all phonemes in all positions and denotes the results by corresponding letters (A, I, M, P, V), then

3569 K 4978.42 O6712 (139774) (188446 K 6712) (188446 K 139774) / [1884462 (188445)]

Z K40.02.

194

II. Gebiete und Phänomene: Phonologie / Fields and phenomena: phonology Table 13.2: Decision criteria nij O 0 nij Z 0

z R 1.96

K1.96 ! z ! 1.96

z % K1.96

preferred P K

actual A virtual V

marginal M inadmissible I

Table 13.3: Positional tendencies of phoneme occurrence Phoneme

Initial

Medial

Final

Phoneme

Initial

Medial

Final

a * m n r i u k t s p l b s o

M M P M M M M P P M P M P P M

P P M M P P P M M M M P M M P

M M M P M P M M P P M P I P M

d h e g ñ q c j y w f x E z

P M M P M I P P M A P P P P

P M P P P M P P M A M A M A

I P M I I P M I P A A M M I

one obtains the results as displayed in Table 13.3. Evidently, one can perform here either another test or choose another quantil as decision criterion in order to increase the number of actual (A) occupancies. In Indonesian we find non-negative tendencies (A and P) in 15 cases (0.52) initially, in 16 cases (0.55) medially and in 11 cases (0.38) finally. Other languages must be examined in order to ascertain whether these proportions are constants of language construction.

4.

The overall exploitation of phonemes

As seen in the last column of Table 13.1 phonemes are used with different frequency for construction purposes. It will be difficult to explain why a phoneme occurs in the given proportion even if there is a number of hypotheses (cf. v. Ginneken 1932; Trubetzkoj 1939; Martinet 1955; Nikonov 1963; Zipf 1968; Segal 1972; Altmann/Lehfeldt 1980, 112 f.). Here we merely are interested in the question whether the rank-ordered frequencies represent a regular series. This was, too, the object of different hypotheses and tests (cf. Sigurd 1968; Orlov/Boroda/Nadarejšvili 1982; Pääkkönen 1993; Altmann 1993; for a survey cf. Martindale/Gusein-

Zade/McKenzie et al. 1996) but possibly one obtains different results for texts and dictionaries. When modelling this rank order we start from the assumption that the most frequent phoneme yielding the greatest redundancy presents a standard for that of the others. If it occurs y1 times then the next one occurs merely with a smaller, proportionate frequency, i. e. y2 w y1, the third one occurs proportionally to the second, y3 w y2, etc. We assume that proportionality is not constant but changes with each phoneme, i. e. yx Z f (x) yxK1

(2)

where x is the rank and yx the frequency of the xth phoneme. The proportionality function can be tentatively determined as the ratio of two linear functions, namely f (x) Z

bCx aCx

(3)

where b is the changing, a the stabilizing force and a O b. Inserting (3) into (2) we obtain yx Z

bCx aCx

yxK1, x Z 2, 3, ..., K

(4)

where K is the number of phonemes in the inventory. Solving (4) for yx we obtain

195

13. Phonic word structure

{

y1, yx Z (b C 2) (b C 3) ... (b C x) y1, (a C 2) (a C 3) ... (aCx)

xZ1 x Z 2, 3, ..., K

Since y1 can be estimated from the relative frequency of the first phoneme, the computation of the other values by means of (4) is very simple. It is recommended to estimate the parameters a and b iteratively. If one computes the percentages from the frequencies in the right marginal sums of Table 13.1 and fits (5), one obtains the results shown in Table 13.5 and graphically in Fig. 13.1. The determination coefficient D Z 0.95 signals a good agreement. For the connection of (5) with rank order distributions cf. Altmann/ Bagheri/Goebl et al. (2002). Several questions remain to be answered: (1) Why are there great “jumps” at some 16 14 12 10 8 6 4

(5)

places of the distribution? K being rather a local problem. (2) Does (5) hold for all languages? Evidently one must test several competing curves until the problem can be embedded into a theory. (3) What do the parameters a and b depend on?

5.

Harmony

The usual linguistic distribution of phonemes in words can display different combinatorial tendencies (cf. art. 12). Some phoneme combinations may come into existence in speech (cf. Hug 1997 for French), other ones can be fixed, but there are even inadmissible ones. But even more distant phoneme neighbours in words can display some tendencies. There is e. g. vowel harmony existing not only within the word stem but also in the affixes. If a tendency of this kind is strong enough, then one finds it in grammar among the rules otherwise it will not even be mentioned. However, tendencies of this kind seem to exist in all languages and an aim of quantitative linguistics is to find them and embed them into a nomological net.

2 0

5

10

15

20

25

Fig. 13.1: Fitting (5) to Indonesian data

5.1. Vowel harmony Vowel harmony is known as a grammatical phenomenon, e. g. in finno-ugric languages

Table 13.4: Fitting the series (5) to Indonesian data Rank

% empirical

% theoretical

Rank

% empirical

% theoretical

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

16.04 10.80 6.88 6.56 6.21 5.51 5.00 4.94 4.44 4.11 3.71 3.57 3.56 3.48 2.22

16.04 11.45 8.82 7.14 5.97 5.12 4.47 3.96 3.55 3.21 2.93 2.68 2.48 2.31 2.15

16 17 18 19 20 21 22 23 24 25 26 27 28 29

1.80 1.74 1.66 1.54 1.41 1.19 1.10 1.01 0.57 0.54 0.21 0.10 0.05 0.05

2.02 1.89 1.79 1.69 1.60 1.52 1.45 1.38 1.32 1.27 1.21 1.17 1.12 1.08

a Z 1.9844, b Z 0.8431, D Z 0.95

196

II. Gebiete und Phänomene: Phonologie / Fields and phenomena: phonology

in which the vowel of the suffix adapts itself to the vowel of the stem. In Hungarian e. g. ház-nak means “to the house” but kerék-nek “to the wheel”, ház-tól “from the house” but kerék-töl “from the wheel”. Other languages have invariable affixes, but a kind of vowel harmony can develop within the stem (cf. Emeis 1955). Let us consider the combination of the first two vowels in disyllabic words of the Hanunoo language (Philippines) in the dictionary by Conklin (1953) in Table 13.5 and ask whether the diagonal where the combinations of equal vowels (/a/-/a/, /i/-/i/,/u/-/u/) are situated displays as a whole a tendency, i. e. whether it is significantly stronger than expected by chance. For testing this hypothesis Altmann (1986) proposed two alternative but equivalent tests.

K 1347) (2767 K 1243) C C 515 (463) 2252 (2304) C C 905 (1061) 1852 (1706) Z 372.6964

a First syllable

a i u

Total

i

zZ

425 151 485

1347 515 905

1243

463

1061

2767

χ12

(a) If the notation is the same as in section 3., then we test the weight of the diagonal by means of the criterion S K∑ zZ

1326 K 1038.2982 O372.6964 C 211.1583

Z 11.91.

Since this number is much greater than 1.96 (| z0.05 |) we can accept the existence of the tendency to place equal vowels in disyllabic Hanunoo words, i. e. to accept the existence of vowel harmony of the stem. This tendency is shared by most Austronesian languages (cf. Krupa 1966; Krupa 1967a; Krupa 1967b; Krupa 1971; Altmann 1986; Schulz/ Altmann 1988). (b) The second possibility which is a little faster can be the use of the criterion

Sum

224 143 96

2

Inserting these numbers into (6) we obtain

u

698 221 324

! 2767 (2766) ! 1347 (1243) 515 (463) C C 1347 (1243) 905 (1061) C C 515 (463) 905 (1061)] Z 211.1583.

i!i#

Table 13.5: Vowel combinations in disyllabic words in Hanunoo Second syllable

2

2 ∑ ni. n.i ni#. n.i# Z

n (n S K∑ ni. n.i)2 Z

i

∑i ni. n.i (n

2

K∑ ni. n.i)

,

(7)

i

representing a chi-square with 1 degree of freedom and being identical with (6); then

ni. n.j

i

n

√n (nK1) [∑n . n. (n K n .) (n K n. ) C 2 ∑ n . n. n . n. ]

.

1

2

i

i

j

i

Here is S Z n11 C n22 C ... C nkk, i. e. the sum of the numbers on the diagonal. Inserting the numbers from Table 13.5 into this formula we obtain S Z 698 C 143 C 485 Z 1326

∑i

ni. n.i n

1 Z

[1347 (1243) C 515 (463) C

2767 C 905 (1061)] Z 1038.2982

1 n2 (n K 1)

∑i ni. n.i (n K ni.) (n K n.i) Z 1

Z 2

2767 (2766)

[1347 (1243) (2767 K

j

i

i

i#

i#

i!i#

the following applies: z2 Z χ12. The pertinent numbers computed above are S Z 1326, n Z 2767 Σni. n.i Z 1038.2982 (2767) Z 2872971. Inserting them into (7) we obtain χ12 Z

2767 [2767 (1326) K 2872971]2 2872971 (27672 K 2872971)

Z 127.60

As is evident, O127.60 Z 11.30, being approximately identical with the z above. Since both tests are asymptotic the results can be considered identical. This test can be used K mutatis mutandis K for any combination of cells, thus it is a

197

13. Phonic word structure

equate for comparative purposes (cf. Table 13.7).

good instrument for the discovery of tendencies. In order to characterize the strength of vowel harmony one can use Cohen’s (1960) coefficient kappa, namely κZ

n S K∑ ni. n.i i

5.2. Krupa’s consonant disharmony In several works Krupa (1966; 1967a; 1967b; 1971) showed that the opposite tendency must hold with consonants at the first and second positions, namely that consonants of the same class separated by a vowel display a dissociative tendency. The consonants can be classed in front (F), middle (M), back (B) and “no consonant present” (:). (6) or (7)

(8)

n2 K∑ ni. n.i i

whose variance is (cf. Fleiss/Cohen/Everitt 1969)

Var (κ) Z

n2 ∑ ni. n.i C (∑ ni. n.i)2 K n ∑ ni. n.i (ni. C n.i) i

i

i

(9)

n (n2 K∑ ni. n.i)2 i

With the help of (9) one can construct an asymptotic confidence interval K, K for κ as K Z κ K z OVar (κ), K Z κ C z OVar (κ)

(10)

where z is the quantil of the normal distribution. For Hanunoo we have κZ

2767 (1326) K 2872971 27672 K 2872971

Z 0.1664.

Table 13.6: Tests for the diagonal of some languages (Schulz/Altmann 1988) Language

z

κ

(K, K)

ProtoAustronesian Hanunoo Bare’e Indonesian Sundanese Angkola-Batak Hawaiian Tahitian Tuamotu

12.93

0.1720

(0.1460, 0.1981)

11.90 18.99 18.36 47.63 27.25 5.43 4.50 4.83

0.1664 0.1523 0.1255 0.2143 0.1591 0.0851 0.0762 0.0701

(0.1390, (0.1366, (0.1121, (0.2055, (0.1477, (0.0544, (0.0430, (0.0417,

0.1938) 0.1680) 0.1389) 0.2232) 0.1705) 0.1157) 0.1094) 0.0986)

For the variance we still need

∑i ni. n.i (ni. C n.i) Z

Z 1347 (1243) (1347 C 1243) C C 515 (463) (515 C 463) C C 905 (1061) (905 C 1061) Z Z 6457453630.

This yields

Var (κ) Z

can be used for testing. Using Krupa’s data for Hawaiian (Krupa 1971) in Table 13.7 we obtain n Z 778, S Z 16 C 22 C 62 C 77 Z 177 Σ ni. n.j Z 132 (118) C 178 (125) C C 243 (248) C 225(287) Z 162665,

27672 (2872971) C 28729712 K 2767 (6457453630) 2767 (27672 K 2872971)2

from which for Hanunoo follows KZ 0.1664 K 1.96 O0.000196 Z 0.1390 K Z 0.1664 C 1.96 O0.000196 Z 0.1938 It can easily be seen that κ / OVar yields results which are identical to the ones of (6). Schulz/Altmann (1988) presented a table for some Austronesian languages which is ad-

Z 0.000196 ,

so that from (7) we finally obtain χ12 Z

778 [778 (177) K 162665]2 162665 (7782 K 162665)

Z 6.61.

The chi-square always results in a value greater than 0. In order to ascertain whether we have an associative or dissociative tendency we compare S with E (S) Z Σ ni. n.i /n. Here is S Z 117, E (S) Z 162665/778 Z

198

II. Gebiete und Phänomene: Phonologie / Fields and phenomena: phonology

Table 13.7: Consonant combinations in Hawaiian words (first and second positions) according to Krupa (1971) C2

:

F

M

B

Sum

C1 : F M B Total

16 27 37 38

26 22 44 33

40 69 62 72

50 60 100 77

132 178 243 235

118

125

248

287

778

209.01, i. e. the expectation is greater than the observation and the chi-square is significant, thus there is a disharmony of consonants. This hypothesis must be tested in many languages and consonant classes. Some results for Krupa’s data can be found in Table 13.8. Table 13.8: Dissociation of consonants in some languages (Krupa 1967a; Schulz/Altmann 1988) Language

Z

κ

Hawaiian K3.95 K0.1031 Tahitian K4.35 K0.1222 Tuamotu K5.47 K0.1397 Afrikaans K5.75 K0.1434 Arabic 1K2 K20.00 K0.2647 Arabic 1K3 K10.61 K0.1381 Arabic 2K3 K8.21 K0.1123

(K, K) (K0.1543, (K0.1773, (K0.1775, (K0.1923, (K0.2906, (K0.1636, (K0.1392,

K0.0519) K0.0671) K0.0839) K0.0945) K0.2388) K0.1126) K0.0855)

In Arabic all combinations of the three consonants in the radix have been tested. As can be seen all are significant but the disharmony decreases with increasing distance.

6.

Symmetry

While the harmony is, as a matter of fact, a sign of significant reflexivity (see art. no. 12) of sequences, there is also a test for the equality of frequencies of symmetric sequences. This is a further tendency in lexeme construction having two aspects. In the first case we ask whether symmetric cells have equal frequencies, e. g. (a, i) vs. (i, a), (b, d) vs. (d, b) and join the results in one criterion. In the second case we consider the rows and columns globally and test the homogeneity of marginal sums. 6.1. Bowker’s test for symmetry If one considers the cells of Table 13.5 containing different vowels (i. e. not those on the diagonal), one sees that the cells (a, i)

and (i, a) have almost the same frequency, namely 221 and 224 respectively, while (u, i) and (i, u) seem to be very different (96 vs. 151). The test for the symmetry of the whole table can be perfornmed according to Bowker (1948) by means of the criterion X2 Z ∑

i!j

(nij K nji)2 nij C nji

.

(11)

If the quadratic contingency table has r cells then X 2 is distributed like a chi-square with r (r K 1) / 2 degrees of freedom. For Hanunoo we obtain X2 Z

(224 K 221)2

(425 K 423)2 C

224 C 221

425 C 324

2

(151 K 96) C

151 C 96

Z 25.89

2 Since 25.89 is greater than χ 3;0.05 Z 7.81, we accept the hypothesis that Hanunoo prefers an asymmetric placing of vowels in disyllabic stems. Schulz and Altmann (1988) prepared tests for several languages as shown in Table 13.9.

Table 13.9: Bowker’s test for symmetry in some languages Language

X2

Hanunoo V 25.89 Proto Austronesian V 92.03 Bare'e V 73.56 Angkola-Batak V 163.97 Sundanese V 572.23 Hawaiian V 15.43* Tahitian V 13.33* Tuamotu V 16.58* Hawaiian C Tahitian C Tuamotu C Afrikaans C Arabic 1K2 C Arabic 1K3 C Arabic 2K3 C

21.26 19.05 24.04 62.61 57.79 72.91 4.26*

Degrees of freedom 3 6 10 10 21 20 20 20 3 3 3 3 3 3 3

* means the acceptance of the null hypothesis at the level α Z 0.05

6.2. Stuart’s test for marginal homogeneity In the second case we ask whether the marginal sums of the contingency table (like Table 13.6) are homogeneous or not, i. e. we test the global symmetry. To this end one uses e. g. Stuart’s criterion (1955)

199

13. Phonic word structure rK1 rK1

Q Z d#VK1d Z ∑

∑ V ij di dj iK1 jK1

(12)

where d is the vector with the elements di Z ni . K n.i (i Z 1, 2, ..., rK1) and V ij are the elements of the inverse matrix VK1 defined as follows Vij Z

{

ni . C n. iK2nii for iZj K (nijCnji) for isj

The criterion Q is distributed like a chisquare with r K 1 degrees of freedom. For the sake of illustration we compute the marginal homogeneity of Hanunoo starting from Table 13.5. We obtain d1 Z n1. K n.1 Z 1347 K 1243 Z 104 d2 Z n2. K n.2 Z 515 K 463 Z 52. Further we have V11 Z n1. C n.1 K 2n11 Z 1347 C 1243 K2 (698) Z 1194 V12 Z V21 Z K (n12 C n21) Z K (224 C 221) Z K 445 V22 Z n2. C n.2 K 2n22 Z 515 C 463 K 2 (143) Z 692 from which VZ

[

]

1194 K445 K445 692

and the inverse matrix follows as VK1 Z

[

]

0.001102 0.000708 0.000708 0.001901

The test statistics yields then Q Z V11 d1 d1 CV12 d1 d2 CV21 d2 d1 C V22 d2 d2 Z 0.001102 (104)2 C 2 (0.000708) 104 (52) C C 0.001901 (52)2 Z 24.71. 2 Since this value is greater than χ 2;0.05 Z 5.99, we reject the hypothesis of marginal homogeneity. Schulz and Altmann (1988) presented a table with tests in several languages (cf. Table 13.10) It must be remarked that Bowker’s test for symmetry is simpler than Stuart’s and in general it is sufficient. If Bowker’s symmetry is given then also marginal homogeneity holds (cf. Caussinus 1965). The examinations of harmony/disharmony and symmetry/asymmetry concern specific construction trends resulting from

the fact that even vowels and consonants placed in non-immediate neigbourhood are subject to restrictions which can develop to special patterns. The above mentioned ones are not the only ones that are possible but they are the most prominent ones. Further research is necessary to achieve progress in this area. The methods shown above allow us to study historical or geographical development trends in a language or a language family. Table 13.10: Stuart’s test for marginal homogeneity in some languages Language

Q

Degrees of freedom

Hanunoo V 24.71 Proto Austronesian V 87.07 Bare’e V 44.01 Angkola-Batak V 87.08 Sundanese V 424.24 Hawaiian V 9.21* Tahitian V 4.08* Tuamotu V 4.60*

2 3 4 4 6 4 4 4

HawaiianC TahitianC TuamotuC AfrikaansC Arabic 1K2 C Arabic 1K3 C Arabic 2K3 C

2 2 2 2 2 2 2

19.22 18.17 23.95 62.43 57.78 72.60 2.82*

* means the acceptance of the hypothesis of marginal homogeneity at the level α Z 0.05

7.

Canonical forms

Under a canonical form we understand a representation of the phonic structure of the word in terms of phoneme classes, e. g. V Z vowel, C Z consonant, being the most common representation. Thus we obtain types like V, CV, VCV, CCVC etc., called CVtypes by Tuldava (1998). Tables can be set up according to the number of phonemes and syllables and the consecutive consonants are captured with a number, e. g. CCVC Z 2V1, VCCCV Z V3V, etc. In Table 13.11 one finds an extract from Indonesian data (1- and 2-syllabic canonical forms) (cf. Altmann/Bagheri/Goebl et al. 2002). In Indonesian the syllabic length is identical with the number of vowels in the word. From tables of this kind one sets up summarizing tables in which either merely the number of different canonical forms (cf. Table 13.12) or merely their frequency is given (cf.

200

II. Gebiete und Phänomene: Phonologie / Fields and phenomena: phonology

Table 13.11: Monosyllabic and disyllabic canonical CV forms in the Indonesian language 2

3

4

5

1

1V 16 V1 5

2V 4 1V1 216 V2 1

2V1 1V2

26 14

3V1 2V2 1V3

2

VV 1

1VV 24 V1V 52 VV1 9

2VV 1V1V 1VV1 V2V V1V1

2 646 196 35 310

2V1V 22 1V2V 370 1V1V1 3052 V3V 3 V2V1 203 V1V2 1

6

7

2V2V 11 2V1V1 42 1V3V 4 1V2V1 1561 1V1V2 2 V3V1 10 V2V2 1

3V2V 2V3V 2V2V1 1V3V1 1V2V2 1V1V3 V4V1 V3V2

8

3 3 3 1 1 33 53 4 1 2 1

3V2V1 2V3V1 1V3V2 1V2V3

1 3 1 1

Table 13.12: Number of CV types in terms of the numbers of phonemes and syllables in Indonesian 20

1

19

5

1

1

2

2

18 17

1

16

1 6 1

6

4

11

4

20

12

6

2

20

2

30

15

3

13

12

14

10

25

10

45

21

24

4

51

13

2

12

8

27

25

60

2

17

35

9

63

10

5

27

29

8

69

9

15

26

14

55

11

8

3

13

21

8

45

7

7

13

11

1

32

6

7

10

4

21

5

3

6

7

16

4

2

5

1

8

3

3

3

2

6

2

1

1

2

3

4

5

6

7

8

9

3

10

32

66

116

149

121

51

11

1

Table 13.13). Classifications of other kinds are possible and could be useful. Similar, but only one-dimensional tables can be set up for syllables as well. 7.1. Distribution of length As can be seen in Table 13.13 word length analyzed on the basis of lexicon entries is a

552

variable in most languages, even if it need not be necessarily so. There are monosyllabic languages in which only the phonemic length is variable, but not the syllabic one. Since according to Menzerath’s law (cf. art. no. 47) the immediate constituent of the word is syllable, we shall examine only this variable, as it is given in the last row of

201

13. Phonic word structure

Table 13.13: Frequency of CV types in terms of the numbers of phonemes and syllables in Indonesian 20

1

19 18 17

1

16 15 14

1

8

1

2

2

2

16

21

4

9 1

7 42

48

10

3

61

91

90

21

2

204

155

131

14

300

13

4

451

90

6

551

12

193

392

82

667

11

2

925

474

17

1418

10

17

2107

278

9

2411

9

605

1841

77

2523

8

5

3079

956

15

4055

7

95

3658

151

1

3905

19

6

1630

1174

8

3652

139

3799

4

40

1189

3

1232

3

221

85

306

2

21

1

22

5

2823

1

2

3

4

5

6

7

8

9

290

6657

8677

6196

1935

485

83

12

1

Table 13.14. Altmann/Bagheri/Goebl et al. (2002) propose the model of 1-displaced hyperbinomial distribution, namely

Px Z

(

( ) n xK1

mCxK2 xK1

)

2F1

it can be derived from a birth-and-death process.

qxK1 P1 , x Z 1, 2, ..., n C 1

where P1 Z [2F1 (Kn, 1; m; Kq)]K1 is the normalizing constant represented by the hypergeometric function (Kn, 1; m; K q) Z 1 C

nq

C m n (n C 1) q2

C

m (m C 1)

C ...

At present, the model can be considered well founded because it belongs to the class of distributions used for synergetic modelling (cf. Altmann/Köhler 1996) and, besides,

24336

(13)

For modelling we start from the assumption that the number of words of length x increases by the prolongation of shorter words (of length xK1) through affixation, or by shortening of longer words caused by their frequent use. We ignore other changes in magnitude, or, in other words, we equal their probability to zero. We further assume that there is an upper limit for the syllabic length that can be denoted as n. The smaller the birth rate λx , the greater x, which can be expressed symbolically as λx Z (n K x) q, with 0 ! q ! 1. Analogically, the higher the

202

II. Gebiete und Phänomene: Phonologie / Fields and phenomena: phonology

death rate, the greater x, which is expressed as µx Z m C x K 1. Inserting these quantities in the steady-state process one obtains

Table 13.14: Fitting of distribution (13) to Indonesian data x

fx

NPx

n qP0 Z m P1 [(n K 1) q C m] P1 Z n qP0 C (m C 1) P2 ................................................................. [(n K x) q C m C x K 1] Px Z Z (n K x C 1) qPxK1 C (m C x) PxC1 , x Z 1, 2, ..., n K 1 (14) (m C n K 1) Pn Z qPnK1

1 2 3 4 5 6 7 8 9

290 6657 8677 6196 1935 485 83 12 1

237.25 6051.23 8902.08 6013.14 2395.78 617.07 106.32 12.24 0.91

Stepwise solution of (14) yields the hyperbinomial distribution. For languages without zero-syllabic words it must be displaced one step to the right in order to obtain (13). On the basis of the recurrence formula for (13) that can be obtained when solving (14) and displacing 1 step to the right, namely

n Z 10, m Z 0.0685, q Z 0.1747, X 42 Z 205.63, C Z 0.0084, N Z 24336

PxC1 Z

(n K x C 1)

q Px , mCxK1 x Z 1, 2, ..., n C 1 (15)

we see that the “birth rate” is simply the share of the speaker’s creativity, while the “death rate” is the braking, controlling effect of the language community. The longer the words become, the stronger the effect of this braking force. In Table 13.14 and Fig. 13.2 one finds the fitting of (13) to Indonesian data, in Table 13.15 and Fig. 13.3 fitting to Hungarian data. As expected, the chi-square value is in both cases very high, which is usual with great sample sizes. Therefore one prefers to

Table 13.15: Fitting (13) to Hungarian data x

fx

NPx

1 2 3 4 5 6 7 8 9

1421 12333 20711 15590 5543 1510 289 60 1

1524.36 13230.05 19887.95 14491.51 6259.13 1721.77 306.62 34.39 2.22

n Z 9, m Z 0.2420, q Z 0.2334, X 32 Z 293.28, C Z 0.0051, N Z 57458

use the contingency coefficient C Z X 2 / N and accepts the fitting if C % 0.02. In both figures the fitting is optically very good as well.

Altmann 663.dat - Hyperbinomial f [x] NP[x]

9.000 8.000

Altmann Fitter 2.1

7.000 6.000 5.000 4.000 3.000 2.000 1.000 0 1

2

3

4

5 f [x], NP[x]

6

7

Fig. 13.2: Fitting the hyperbinomial distribution to Indonesian data

8

9

203

13. Phonic word structure Altmann 663.dat - Hyperbinomial f [x] NP[x]

22.000 20.000 18.000 Altmann Fitter 2.1

16.000 14.000 12.000 10.000 8.000 6.000 4.000 2.000 0 1

2

3

4

5 f [x], NP[x]

6

7

8

9

Fig. 13.3: Fitting the hyperbinomial distribution to Hungarian data

7.2. The relation of lengths A look at Table 13.12 or 13.13 shows that the increase in the number of syllables in the lexeme is accompanied by the linear increase in the number of phonemes. The values lie in a very narrow range on either side of a straight line but the dispersion can be greater in languages admitting rich consonant clusters. Here, Menzerath (1964) supposed a linear relation. Since according to Menzerath’s law the number of phonemes stochastically depends on the number of syllables (cf. section 6.3.) we consider the number of syllables the independent variable. For Table 13.12 we obtain (Y Z mean number of phonemes, X Z number of syllables)

18 16 14 12 10 8 6 4 1

2

3

4

5

6

7

8

Fig. 13.4: The relationship between syllabic and phonemic length of Indonesian lexemes

y Z 1.96517 C 1.8630x

One can assume that the linear relation holds for all languages but it is necessary to examine further languages.

yielding the determination coefficient D Z 0.9933, and for Table 13.13 containing the “weighted” values

7.3. Menzerath’s law The validity of Menzerath’s law (cf. art. No. 47) can also be ascertained in the lexicon. In our case this means: the syllables of a lexeme are shorter on average (measured in terms of the average number of phonemes)

y Z 1.6033 C 1.9300x with D Z 0.9883. The difference between the straight lines is not significant. The values of this regression can be found in Table 13.16 and graphically in Fig. 13.4.

Table 13.16: The relation of syllabic and phonemic length of lexemes in Indonesian Obs. Theor

9

1

2

3

4

5

6

7

8

9

3.12 3.53

5.07 5.46

7.33 7.39

9.52 9.32

11.85 11.25

13.80 13.18

15.83 15.11

16.75 17.04

18.00 18.97

204

II. Gebiete und Phänomene: Phonologie / Fields and phenomena: phonology

Table 13.17: Menzerath’s law for syllable length Mean phonemic length of lexemes Mean length of syllables Theoretical values

1

2

3

4

5

6

7

8

9

3.12

5.07

7.33

9.52

11.85

13.80

15.83

16.75

18.00

3.12

2.54

2.44

2.38

2.37

2.30

2.26

2.09

2.00

3.02

2.69

2.51

2.39

2.30

2.23

2.17

2.12

2.08

In Table 13.12 which represents a coordinate system !S, PO (S K syllable, S Z 1, 2, ..., 9, P K phoneme, P Z 2, 3, ..., 20) we see that not all cells of the Table are occupied. Every language is more or less parsimonious and uses consonant clusters to a restricted degree, Let B be the number of occupied cells. Here B Z 60, since exactly 60 cells are occupied. The number of all cells Z is here Z Z 9 (19) Z 171. The simplest occupancy measure for Indonesian is

3.4 3.2 3 2.8 2.6 2.4 2.2 2 1

2

3

4

5

6

7

8

9

Fig. 13.5: Menzerath’s law for syllable length in Indonesian

the longer the lexeme (measured by the number of syllables). Menzerath’s law is expressed in the form of a power curve y Z axKb. Data necessary for the computing of the parameters a and b can be obtained from Table 13.13 or directly from Table 13.16 where one finds the mean phonemic lengths. Computation proceeds as follows: If the mean phonemic length of a disyllabic word is 5.07 (second row in Table 13.16) then the mean length of these two syllables is 5.07 / 2 Z 2.54. For trisyllabic words we have 7.33 / 3 Z 2.44 etc. as can be seen in the third row of Table 13.17. Using the third row in Table 13.17 we easily obtain y Z 3.0226xK0.1697 whose values are in the fourth row of Table 13.17. The dependence is shown graphically in Fig. 13.5. Altmann/Bagheri/Goebl et al. (2002) show further alternatives of this law. 7.4. The exploitation of types There are several ways to characterize the degree of exploitation of the CV types. Here merely some approaches are to be shown, deeper theoretical work can begin only after several languages have been studied. (i) Occupancy measure B1

B1 Z

60

B Z Z

171

Z 0.35.

B1 Z 0.35 is, of course, merely an estimate that can change if the dictionary increases. This measure could increase if an empty cell is filled, but it could also decrease if a 10syllabic or 21-phonemic word is added because the table would increase by a whole row or column but merely one new cell would be occupied. The computation of confidence intervalls is therefore somewhat more complicated than usually. We would obtain another result if we theoretically admit S Z 0, 1, ..., 9 and P Z 1, 2, ..., 20 being the case in Slavic languages (having 0-syllabic words). In that case we would obtain B1 Z 60/200 Z 0.3. (ii) Occupancy function Bx A look at Table 13.11 shows that not all theoretically possible CV types are realized. In Indonesian one does not find VV2, VV3, 4V1V, 3V1V1 etc. Forms without vowels in which the syllabic role is taken over by a consonant are missing here but cf. in Czech vlk (wolf), smrt (death), štvrt (quarter). There are neither 0-syllabic words here as in Czech k, s, z, v (to, with, from, in) but theoretically one should admit them. The theoretically possible number of x-phonemic CV types (i. e. CV types with phonemic length x) is 2x because in each of the x positions either a vowel or a consonant can be placed. However, since x is variable there is a different occupancy measure for

205

13. Phonic word structure

Altmann Fitter 2.1

Altmann 663.dat - Mixed Poisson 75 70 65 60 55 50 45 40 35 30 25 20 15 10 5 0

f [x] NP[x]

2

4

6

8

10 12 f [x], NP[x]

14

16

18

20

Fig. 13.6: Distribution of exploitation

each length. For example, for length x Z 2 the maximal number of types is 22 Z 4; thus, in the last column of Table 13.12 one finds B2 (2) Z 3 / 22 Z 0.75. For x Z 8 we have 28 Z 256 and there are 45 CV-types of this kind, i. e. B2 (8) Z 45 / 256 Z 0.1758, etc. In Table 13.18 one finds the maximal exploitation 2x (second column), the observed explotation B2 (x) (third column) and the explotation coefficient for each length Ax Z

100 B2 (x)

(16)

2x

where B2 (x) corresponds to the marginal sums of Table 13.11. Since Ax represents a curve or a series, one must find its form. To this end it is reasonable to consider B2 (x) a discrete distribution and find an appropriate model. With the help of a model-building software (cf. Altmann-Fitter 1997) it is easy to ascertain that the data follow well the mixed Poisson distribution Px Z

α axK1 eK a (x K 1)!

(1Kα) bxK1 eKb C

, (x K 1)! x Z 1, 2, ... , (17)

which has been here shifted one step to the right and whose values can be found in the fifth column of Table 13.18. The mixing of distributions can be justified by the fact that

the CV types consist of two layers, namely words of Austronesian origin and of foreign words which enrich each class with new CV types. As can be seen in Fig. 13.6 the fitting is very good. The empirical coefficient of exploitation (16) can be well approximated with the theoretical exploitation coefficient Bx Z

100 N Px

(18)

2x

where NPx are the expected frequencies according to (17) (N is the sample size, here 557). Since the first two classes are pooled for the fitting of (17) and x Z 1 does not exist in Indonesian, the occupancy function has the form

Px# Z

{

100 N (P1 C P2 ) 4 400 N Px 2x

,

xZ2 (19)

,

x Z 3, 4, ..., 20

whose values are presented in Table 23.18. A graphical representation can be seen in Fig. 13.7. It must be examined whether a similar form is adequate for other languages. (iii) The extremes Bm and BM A third possibility to characterize the exploitation consists in the ascertainment of curves capturing the minimal and maximal numbers of phonemes for the individual syllabic lengths. Considering Table 13.12 again

206

II. Gebiete und Phänomene: Phonologie / Fields and phenomena: phonology

Table 13.18: Exploitation function for types Length x

Maximal exploitation

Observed exploitation

Exploitation coefficient 100 B2 (x) / 2x

Theoretical exploitation

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

2 4 8 16 32 64 128 256 512 1024 2048 4096 8192 16384 32768 65536 131072 262144 524288 1048576

0 3 6 8 16 21 32 45 55 69 63 60 51 45 30 20 20 6 6 1

0.00 75.00 75.00 50.00 50.00 32.81 25.00 17.58 10.74 6.74 3.08 1.46 0.62 0.27 0.09 0.03 0.02 0.002 0.001 0.0001

0.5861S 2.4649R 5.5111 9.2965 14.2782 21.6831 32.1137 44.4267 55.9203 63.5895 65.5022 61.4949 52.9743 42.1402 31.1322 21.4676 13.8784 8.4445 4.8527 5.2428

Theoretical coefficient of exploitation (19) 76.28 68.89 58.10 44.62 33.88 25.09 17.35 10.92 6.21 3.20 1.50 0.65 0.26 0.09 0.03 0.01 0.003 0.001 0.0005

The theoretical distribution (17) has the parameters a Z 10.3439, b Z 4.0433, α Z 0.9429 and X 2 Z 8.5911, DF Z 15, P Z 0.90

a languge in a well proportioned manner. While in Polynesian languages there are no consonant clusters but a rich development of vowel sequences, in Slavic languages it is the other way round. These curves have in common that they are consequences of Menzerath’s law and must have the same analytical form, namely

70 60 50 40 30

y Z Axb.

20 10 0 2

4

6

8

10

12

14

16

18

20

Fig. 13.7: Exploitation of CV types in Indonesian

one sees that the maximal number of phonemes in monosyllables is P1, max Z 5, for disyllables it is P2, max Z 8, etc. The minima for mono- and disyllabic words are P1, min Z P2, min Z 1, further P3, min Z 4, etc. One obtains a curve if one connects the cells at the extremes with a line. The whole field could be captured with an ellipse but one cannot expect a symmetry around the axis y Z 1.9517 C 1.8630x that has been computed in section 7.2. The curve of the minima characterizes the building of vocalic sequences, that of the maxima the building of consonant clusters but these need not develop in

(20)

Since with the course of maxima the cluster building decreases, the exponent must lie between 0 and 1; the building of vowel sequences increases with the course of minima (on the same ground), thus the exponent must be greater than 1. Table 13.19 Syllabic length

Minimum

Mintheor

Maximum

Maxtheor

1 2 3 4 5 6 7 8 9

2 2 4 6 7 10 13 15 18

1.37 2.95 4.61 6.34 8.11 9.92 11.76 13.63 15.52

5 8 11 13 17 18 20 19 18

5.27 8.24 10.70 12.87 14.86 16.71 18.46 20.11 21.70

207

13. Phonic word structure

Altmann-Fitter (1997), Iterative fitting of probability distributions. Lüdenscheid: RAM.

22 22

Andreev, Nikolaj D. (1967), Statistiko-kombinatornye metody v teoretičeskom i prikladnomjazykoznanii. Leningrad: Nauka.

18 16 14

Bowker, Albert H. (1948), A test for symmetry in contingency tables. In: Journal of the American Statistical Association 13, 572K574.

12 10 8

Caussinus, Henri (1965), Contribution à l’analyse statistique des tableaux de correlation. In: Annales de la Faculté des Sciences de l’Université de Toulouse 77K183.

6 4 2 1

2

3

4

5 x

6

7

8

9

Fig. 13.8: Maxima and minima of syllabic length

Cohen, J. (1960), A coefficient of agreement for nominal scales. In: Educational and Psychological Measurement 20, 37K46. Conklin, Harold C. (1953), HanunóoKEnglish dictionary. Berkeley, Los Angeles.

In Table 13.19 one finds the observed values for maxima and minima respectively in the second and fourth column. The individual curves are BM Z 5.2731x0.6438 Bm Z 1.3708x1.1044 and the determinantion coefficients are DM Z 0.90 and Dm Z 0.95. The graphical representation is displayed in Fig. 13.8. Curves of the same type would be obtained if phonemic length were the independent variable.

8.

Literature (a selection)

Altmann, Gabriel (1967), The structure of Indonesian morphemes. In: Asian and African Studies 3, 23K36. Altmann, Gabriel (1968), Combination of consonants in Indonesian morphemes of the CVCVC type. In: Mitteilungen des Instituts für Orientforschung 14, 108K125. Altmann, Gabriel (1986), Tendenzielle Vokalharmonie. In: Glottometrika 8 (ed. I. Fickermann). Bochum: Brockmeyer, 104K112. Altmann, Gabriel (1993), Phoneme counts. Marginal remarks to Pääkkönen’s article. In: Glottometrika 14 (ed. G. Altmann). Trier: VWT, 54K68. Altmann, Gabriel/Bagheri, Darius/Goebl, Hans/ Köhler, Reinhard/Prün, Claudia (2002), Einführung in die quantitative Lexikologie. Göttingen: Peust & Gutschmidt. Altmann, Gabriel/Köhler, Reinhard (1996), “Language Forces” and synergetic modelling of language phenomena. In: Glottometrika 15 (ed. P. Schmidt). Trier: WVT, 62K76. Altmann, Gabriel/Lehfeldt, Werner (1980), Einführung in die quantitative Phonologie. Bochum: Brockmeyer.

Dubovská, Zorica (s.d.), Struktura indonézské morfémy. Praha: Diss. Echols, John E./Shadily, Hassan (1963), An IndonesianKEnglish Dictionary. Ithaca: Cornell University Press. Emeis, Marinus G. (1955), Vocaal-harmonie in de Maleise kern van de Indonesische vocabulaire. In: Bijdragen tot de Taal-, Land- en Volkenkunde 111, 191K201. Fleiss, J. L./Cohen, J./Everitt, B. S. (1969), Large sample standard errors of kappa and weighted kappa. In: Psychological Bulletin 72, 323K327. Ginneken, Jacobus v. (1932), De ontwikkelingsgeschiedenis van de systemen der menschelijke taalklanken. Amsterdam: Kon. Akad. Wetensch. Greenberg, Joseph H. (1950), The patterning of root morphemes in Semitic. In: Word 6, 162K181. Herdan, Gustav (1966), The advanced theory of language as choice and chance. Berlin: Springer. Hug, Marc (1997), Disturbing factors in a linguistic usage test. In: Journal of Quantitative Linguistics 4, 110K121. Krupa, Viktor (1966), The phonemic structure of bivocalic morphemic forms in Oceanic languages. In: Journal of the Polynesian Society 75, 458K497. Krupa, Viktor (1967a), Dissociations of like consonants in morphemic forms. In: Asian and African Studies 3, 37K44. Krupa, Viktor (1967b), On phonemic structure of morpheme in Samoan and Tongan. In: Beiträge zur Linguistik und Informationsverarbeitung 12, 72K83. Krupa, Viktor (1971), The phonotactic structure of the morph in Polynesian languages. In: Language 47, 668K684. Martindale, Collin/Gusein-Zade, S. M./McKenzie, Dean/Borodovsky, Mark Y. (1996), Comparison of equations describing the ranked frequency distributions of graphemes and phonemes. In: Journal of Quantitative Linguistics 3, 106K112.

208

II. Gebiete und Phänomene: Phonologie / Fields and phenomena: phonology

Martinet, André (1955), Économie des changements phonétiques. Berne: Francke. Menzerath, Paul (1950a), Sprachtyplogische Untersuchungen. 1. Allgemeine Einführung und Theorie der Wortbildung. In: Studia Linguistica 4, 54K93. Menzerath, Paul (1950b), Typology of languages. In: Journal of the American Acoustical Society 45, 698K701. Menzerath, Paul (1964), Die Architektonik des deutschen Wortschatzes. Bonn: Dümmler. Miller, James G. (1978), Living systems. New York: MacGraw-Hill. Nikonov, Vladimir A. (1963), Interpretacija fonetičeskich častot. In: Učenye zapiski Instituta slavjanovedenija AN SSSR 27, 359K270. Odendal, François F. (1962), Die struktuur van die Afrikaanse wortelmorfeem. Kaapstad: H.A.U.M. Orlov, Jurij K./Boroda, Moisei G./Nadarejšvili, Isabella Š. (1982), Sprache, Text, Kunst. Quantitative Analysen. Bochum: Brockmeyer. Pääkkönen, Matti (1993), Graphemes and context. In: Glottometrika 14 (ed. G. Altmann). Trier: WVT, 1K53. Roberts, Aaron Hood (1965), A statistical linguistic analysis of American English. The Hague: Mouton.

Ross, Alan S. C. (1950), Philological probability problems. In: Journal of the Royal Statistical Society 12, 19K41. Schulz, Klaus-Peter/Altmann, Gabriel (1988). Lautliche Strukturierung von Spracheinheiten. In: Glottometrika 9 (ed. K. P. Schulz). Bochum: Brockmeyer, 1K47. Segal, D. M. (1972), Osnovy fonologičeskoj statistiki (na materiale pol’skogo jazyka). Moskva: Nauka. Sigurd, Bengt (1968), RankKfrequency distribution for phonemes. In: Phonetica 18, 1K15. Stuart, Alan (1955), A test for homogeneity of the marginal distribution in a twoKway classification. In: Biometrika 42, 412K416. Trubetzkoy, Nikolai S. (1939), Grundzüge der Phonologie. Prague: Harrasowitz. Tuldava, Juhan (1998), Probleme und Methoden der quantitativ-systemischen Lexikologie. Trier: WVT. Uhlenbeck, Eugenius M. (1949), De structuur van het Javaanse morpheem. Bandoeng: Nix. Uhlenbeck, Eugenius M. (1950), The structure of the Javanese morpheme. In: Lingua 2, 239K270. Zipf, George K. (1968), The psycho-biology of language. An introduction to dynamic philology. Cambridge, Mass.: The MIT Press.

Gabriel Altmann, Lüdenscheid (Germany)

14. Längen rhythmischer Einheiten 1. 2. 3. 4. 5. 6. 7. 8. 9.

1.

Rhythmische Einheiten in der Forschung Annahmen zu einer Theorie der Verteilungen von rhythmischen Einheiten verschiedener Länge Was ist eine rhythmische Einheit? Länge der rhythmischen Einheiten Die Verteilung von rhythmischen Einheiten verschiedener Länge Das Ordsche Kriterium Parameterbeziehungen Perspektiven Literatur (in Auswahl)

Rhythmische Einheiten in der Forschung

Untersuchungen zu rhythmischen Einheiten gehen auf den deutschen Psychologen Karl Marbe (1904) zurück, der bei der Lektüre von Goethes „Sankt Rochusfest zu Bingen“ und Heines „Harzreise“ den Eindruck gewann, dass beide Werke sich in ihrem Rhythmus deutlich unterschieden und da-

durch unterschiedliche ästhetische Wirkungen beim Leser erzeugen. In der Nachfolge wurden entsprechende Untersuchungen von seinen Schülern (Marbe 1945, 10 f.) zu verschiedenen Sprachen und von Thumb (1913) zum Griechischen durchgeführt. Besonderes theoretisches Interesse können diese Untersuchungen deshalb beanspruchen, weil Marbe (1913, 37) Zusammenhänge zwischen dem Rhythmus von Texten sowie dem Grad ihrer Gefühlsbetontheit, der Länge der in ihnen enthaltenen Wörter und Silben und der Lesegeschwindigkeit beansprucht. In diesem Artikel soll es aber um einen speziellen Aspekt gehen, um die Frage nämlich, ob sich rhythmische Einheiten verschiedener Länge in Texten gesetzmäßig verteilen, und wenn ja, welchen Verteilungen sie folgen. Diese Thematik drängt sich auf, wenn man erfahren hat, dass andere sprachliche Entitäten sich in Texten ebenso wie im Lexikon gesetzmäßig verhalten. (vgl. Art. 18, 19, 22.)

209

14. Längen rhythmischer Einheiten

2.

Annahmen zu einer Theorie der Verteilungen von rhythmischen Einheiten verschiedener Länge

Ausgangspunkt für Überlegungen zu einer Theorie der Verteilungen rhythmischer Einheiten verschiedener Länge kann ebenso wie bei anderen Sprachentitäten die Annahme von Fucks (1956, 20) sein, dass eine „allgemeine Theorie der Sprachelemente“ möglich ist, die „jedes Sprachelement in jeder Sprache in seinem Aufbau aus seinen Komponenten anschaulich deutet und quantitativ beschreibt.“ Bisher existiert eine Theorie mit derart allgemeinem Anspruch nicht; es gibt aber keinen zwingenden Grund, warum die Längen rhythmischer Einheiten sich anders verhalten sollten als Satz- und Wortlängen, für die Gesetzeshypothesen entwickelt wurden (zu Satzlängen: Altmann 1988a; Altmann 1988b, 63 ff.; zu Wortlängen: Wimmer/Köhler/Grotjahn u. a. 1994; Wimmer/Altmann 1996). Danach kann angenommen werden, dass rhythmische Einheiten einer beliebigen Längenklasse P2 proportional zu der Längenklasse P1 vorkommen werden: P2 w P1. Das bedeutet, dass die Häufigkeit des Vorkommens rhythmischer Einheiten der Länge x abhängig ist von der Häufigkeit, mit der rhythmische Einheiten der Länge xK1 vorkommen. Da die Proportion sich von Längenklasse zu Längenklasse ändert, kann man dies mit der Funktion Px Z g (x) PxK1.

(1)

zum Ausdruck bringen. Dabei steht die Funktion g (x) für die Änderung der Proportionen bei den verschiedenen Längenklassen rhythmischer Einheiten. Die Funktion g (x) kann nun verschiedene Formen annehmen, die sich allerdings bisher noch nicht von vornherein aufgrund theoretischer Überlegungen vorhersagen lässt, wie dies eigentlich wünschenswert wäre. Stattdessen ist vorläufig nur der umgekehrte Weg möglich: Man erstellt Dateien zur Häufigkeit der unterschiedlichen Längen rhythmischer Einheiten und untersucht, welche der Verteilungen, die aufgrund der Theorie dafür infrage kommen, an die betreffenden Dateien mit Erfolg angepasst werden können. Danach kann versucht werden, dieses Ergebnis zu interpretieren. Das Verfahren gestaltet sich also ganz analog zu dem, das bei der Bearbeitung von Wortlängen (vgl. Art. 19) ange-

wendet wurde. Es ist auch denkbar, dass die Ergebnisse bei rhythmischen Einheiten einmal ganz ähnlich sein werden, wie sie sich bei Wortlängen gezeigt haben. Dies könnte bedeuten, dass ein Grundmodell zu finden sein sollte, das sich oft bei verschiedenen Sprachen, Autoren, Stilen, Textsorten etc. bewährt; andere Modelle können dann notwendig werden, wenn einzelne der genannten Faktoren sich besonders stark bemerkbar machen. Auch hier ist zunächst einmal damit zu rechnen, dass vor allem die jeweils untersuchte Sprache ein besonders bestimmender Einflussfaktor sein wird. All dies ist aber vorläufig Spekulation, da zu den Verteilungen rhythmischer Einheiten verschiedener Länge bisher nur wenig Erfahrungen vorliegen. Zusammenfassend noch einmal die Überlegungen, die den Untersuchungen der Längenverteilung rhythmischer Einheiten zugrunde liegen: (a) Es wird angenommen, dass die Längen rhythmischer Einheiten grundsätzlich Gesetzen folgen, so wie das die Längen anderer Einheiten offensichtlich ebenfalls tun. (b) Mangels einer speziellen Theorie der Längenverteilung rhythmischer Einheiten wird in Anknüpfung an Fucks (1956) angenommen, dass sie grundsätzlich den gleichen Gesetzen unterliegen wie Satz- und Wortlängen.

3.

Was ist eine rhythmische Einheit?

Will man die Längen rhythmischer Einheiten in Texten hinsichtlich ihrer Häufigkeitsverteilungen untersuchen, muss man das Problem lösen, die „rhythmische Einheit“ zu definieren. Prinzipiell macht dies keine besonderen Schwierigkeiten: Liest man einen Prosatext und markiert die betonten Silben in den Sätzen, so kann man feststellen, dass zwischen zwei betonten unterschiedlich lange Passagen unbetonter Silben vorkommen; dies sind die „rhythmischen Einheiten“: folgen zwei betonte Silben direkt aufeinander, so hat man eine rhythmische Einheit der Länge 1, liegt zwischen ihnen nur eine unbetonte, so ist dies eine rhythmische Einheit der Länge 2, bei zwei unbetonten Silben ist es eine der Länge 3, etc. Die rhythmischen Einheiten sind damit die Folgen von Silben, die von zwei betonten Silben im Text begrenzt werden. In der For-

210

II. Gebiete und Phänomene: Phonologie / Fields and phenomena: phonology

schungspraxis gibt es jedoch erhebliche Probleme mit der Bestimmung rhythmischer Einheiten, sind sie doch im Gegensatz zu „Satz“ und „Wort“ nicht formal erkennbar. Bei der Bearbeitung schriftlicher Texte hat man in nahezu jedem Satz die Möglichkeit, bestimmte Silben als betont ebenso wie als unbetont zu interpretieren. Damit ändert sich aber die Einteilung ein und desselben Textes in rhythmische Einheiten. Dafür, dass man bei ein und demselben Text unterschiedliche Akzentuierungen vornehmen kann, gibt es objektive und subjektive Gründe. Die objektiven bestehen u. a. darin, dass manche Wörter unterschiedliche Betonungen zulassen (wéshalb oder weshálb); die subjektiven ergeben sich daraus, dass man Textpassagen verschieden auffassen kann, ohne dass eine der Interpretationen zwingend anderen Möglichkeiten vorzuziehen ist. Vielleicht sollte man deshalb die erstellten Akzentuierungen eher als Momentaufnahmen des Textverständnisses durch den jeweiligen Bearbeiter auffassen, das sich bei erneuter Lektüre oder Bearbeitung durchaus auch ändern kann. In diesem Zusammenhang drängt sich der Gedanke auf, dieses Problem dadurch zu umgehen, dass man sich auf mündlich ausgeführte Texte beschränkt. Dieser Ausweg ist nur ein scheinbarer: Man bekommt dadurch eine momentane Interpretation durch einen Sprecher oder Vorleser; auch diese ist nur scheinbar endgültig. Außerdem verhindert man mit einer solchen Maßgabe die Bearbeitung aller der Texte, die nur in schriftlicher Form vorliegen. Das Dilemma, dass rhythmische Einheiten nicht ein für alle Mal eindeutig zu bestimmen sind, bleibt erhalten. Marbe (1904, 4) und Gropp (1915, 22) schätzen dieses Problem als nur minimal ein; unsere eigenen Erfahrungen mahnen eher zur Vorsicht.

4.

Länge der rhythmischen Einheiten

Die Länge der rhythmischen Einheiten ergibt sich automatisch: sie bemisst sich entsprechend der Zahl der unbetonten Silben zwischen zwei betonten.

5.

Die Verteilung von rhythmischen Einheiten verschiedener Länge

Das Problem, welche Verteilung daraufhin zu prüfen ist, ob sie ein geeignetes Modell für die Häufigkeitsverteilung rhythmischer

Einheiten darstellt, wurde wie folgt vorläufig gelöst: Bei der Untersuchung von Wortlängen in vielen Sprachen hat sich gezeigt, dass die 1-verschobene Hyperpoisson-Verteilung Px Z

axK1 b(xK1) 1F1 (1; b; a)

, x Z 1, 2, ...

(2)

so etwas wie ein Grundmodell darstellt, das in besonders vielen Sprachen angewendet werden kann (Best 2001a; 2001b, 3); diese Verteilung hat sich auch bei anderen Spracheinheiten (Morph-, Satzlängen) vielfach bewährt. Da zu den Häufigkeitsverteilungen rhythmischer Einheiten keine speziellen Theorien vorliegen, wurde versuchsweise dieses erfolgreiche Modell daraufhin getestet, ob es sich möglicherweise auch in diesem Fall bewährt. In Formel (2) sind a und b Parameter; 1F1 (1; b; a) ist die konfluente hypergeometrische Funktion, d. h. 1F1

(1; b; a) Z 1 C

a2

a b

C

b (b C 1)

C ...

und b(xK1) Z b (b C 1) (b C 2) ... (b C x K 2). Zur Verteilung rhythmischer Einheiten verschiedener Länge in Texten gibt es bisher nur wenige Untersuchungen. Einige Daten dazu findet man in den Untersuchungen von Marbe (1904) sowie seiner Schüler und seines Kollegen Thumb (1913). Einige dieser Dateien sind für eine Anpassung der Hyperpoisson-Verteilung nicht geeignet, da sie wie etliche der von Thumb (1913) für das Altgriechische genannten Tabellen lediglich Prozentwerte angeben und nicht absolute Werte. Alle anderen Dateien, die in einer dazu geeigneten Form vorlagen, wurden mit Hilfe des Altmann-Fitters (1994/97) getestet; die Anpassung der Hyperpoisson-Verteilung gelang bei den von Marbe (1904) zu Goethe und Heine mitgeteilten Daten in 7 von 8 Fällen (Best 2001c); sie gelang bei den von anderen Autoren mitgeteilten Dateien in den meisten Fällen nicht. Als Gründe für diesen teilweisen Misserfolg kann man bedenken: (1) Marbe, Thumb u. a. haben immer nur willkürlich festgesetzte Textteile bearbeitet, in der Regel um 500 oder 1000 Wörter lang; die genaue Länge ist deshalb z. T. etwas größer, weil bei Errei-

211

14. Längen rhythmischer Einheiten

chen der festgesetzten Wortzahl bis zum Ende des begonnenen Satzes gezählt wurde. Die Bildung willkürlicher Textabschnitte verletzt jedoch die erforderliche Homogenität der Daten: „Bei Texten zähle man nur geschlossene Textteile aus ...“ (Altmann 1992, 296). (2) Seltsamerweise kann man trotz der willkürlichen Texteinteilung an die von Marbe vorgestellten Dateien zu Goethe und Heine meist gute Anpassungen der Hyperpoisson-Verteilung durchführen; bei den Daten von Marbes Schülern gelingt das nur selten. Oft können auch keine anderen, infrage kommenden Verteilungen verwendet werden. Um herauszufinden, ob mit der Auswertung vollständiger Texte bessere Ergebnisse zu erzielen sind, wurden weitere Untersuchungen durchgeführt. Ein erster Versuch galt drei Fabeln von Pestalozzi (Best 2001b, 4 ff.), ein weiterer 16 kurzen Prosatexten von Strittmatter (Best 2002); an alle 19 Textdateien kann die Hyperpoisson-Verteilung angepasst werden. Dies gilt auch für den folgenden Prosatext „Fugen“ (Vesper 1985, 18K22). Dabei bedeuten: x

nx

NPx

1 2 3 4 5 6 7 8 9

69 188 191 124 50 27 7 2 1

67.24 183.20 192.73 125.64 59.33 21.97 6.69 1.73K 0.48K

S a b X2 FG P

659 Z 1.7138 Z 0.6290 Z 3.127 Z5 Z 0.68

Abb. 14.1: Anpassung der Hyperpoisson-Verteilung an G. Vesper, Fugen

a, b K Parameter der Verteilung; x K Zahl der unbetonten Silben zwischen zwei betonten Silben; x Z 1: keine unbetonte; x Z 2: eine unbetonte; etc. nx K beobachtete Zahl der rhythmischen Einheiten der Länge x; NPx K aufgrund der 1-verschobenen Hyperpoisson-Verteilung berechnete Zahl der rhythmischen Einheiten der Länge x;

X2 K das Chiquadrat; FG K Freiheitsgrade; P K Überschreitungswahrscheinlichkeit des Chiquadrats. Eine Anpassung ist zufriedenstellend, wenn P R 0.05, was in diesem Fall und bei den anderen 19, hier nicht dokumentierten Texten ebenfalls gegeben ist. Auch die folgende Graphik bestätigt die gute Übereinstimmung zwischen den beobachteten und berechneten Werten: 200 150 beob. theor.

100 50 0

Abb. 14.2: beobachtete und theoretische Werte der Verteilung rhythmischer Einheiten in G. Vesper, Fugen

Man darf also feststellen, dass diese ersten Untersuchungen zur Verteilung rhythmischer Einheiten verschiedener Länge in deutschen Prosatexten die Erwartung erfüllen, dass auch in diesem Fall offenkundig eine Gesetzmäßigkeit zugrunde liegt. Die Ergebnisse der Analyse vollständiger Texte scheinen deutlich besser zu sein als bei den willkürlich gebildeten Textabschnitten, die Marbe u. a. bearbeiteten. Bei deutschen Texten bewährt sich die Hyperpoisson-Verteilung als Modell in allen Fällen. Dies gilt auch für eine weitere Untersuchung, die gerade von Kaßel (2002) an je 15 deutschen und englischen Briefen und Pressetexten, also insgesamt 60 Texten, durchgeführt wird. In allen Fällen erweist sich wieder die Hyperpoisson-Verteilung als gutes Modell, auch bei den englischen Texten.

6.

Das Ordsche Kriterium

Wie bei den Verteilungen der Wortlängen kann man auch bei Längen rhythmischer Einheiten die Frage stellen, ob die Texte, die zu einer bestimmten Gruppe gehören, sich untereinander ähnlich sind oder nicht. Um dies herauszufinden, lässt sich wiederum eine empirische Abwandlung des Ordschen Kriteriums (Ord 1972, 98 f.; 133 ff.) verwenden, das sich auf die Momente der benutzten Verteilungen stützt (Altmann 1988b, 48 ff.). Dabei handelt es sich um

212

II. Gebiete und Phänomene: Phonologie / Fields and phenomena: phonology

m1 Z mr Z

1 N 1

Die Graphik zeigt, dass in dieser kleinen Gruppe von 16 Prosatexten eine erhebliche Streuung zu beobachten ist; es handelt sich damit nicht um eine in sich homogene Textgruppe.

S xfx (Mittelwert), und S (x K m1)r fx ,

N

r R 2,

wobei m2 die Varianz und m3 die Schiefe oder Asymmetrie der Verteilung darstellen. Hieraus lassen sich nun zwei Größen, I Z m2 / m1 und S Z m3 / m2 berechnen. Die Größen I und S kann man in ein Koordinatensystem !I, SO eintragen und zur Veranschaulichung der Homogenität der Textgruppe verwenden. Dies sei am Beispiel der in Best (2002) bearbeiteten Prosatexte von Strittmatter demonstriert, die ja einer einzigen Textsorte angehören und daher untereinander eine gewisse Homogenität aufweisen könnten. m2

m3

I

S

3.48 3.63 3.70 3.50 3.33 3.39 3.70 3.75 3.39 3.26 3.79 3.69 3.50 3.43 3.41 3.58

1.45 2.55 2.90 2.22 1.57 2.75 1.83 2.92 2.16 1.86 2.24 2.83 2.12 1.96 2.03 1.94

0.85 3.39 5.31 2.76 1.09 4.10 0.86 3.28 1.92 2.10 1.01 4.46 2.77 1.56 2.19 1.24

0.42 0.70 0.78 0.63 0.47 0.81 0.49 0.78 0.64 0.57 0.59 0.77 0.61 0.57 0.60 0.54

0.59 1.33 1.83 1.24 0.69 1.49 0.47 1.12 0.89 1.13 0.45 1.58 1.31 0.80 1.08 0.64

Parameterbeziehungen

Wie bereits erwähnt konnte die Hyperpoisson-Verteilung an die Verteilung der rhythmischen Einheiten in den von Best und Kaßel untersuchten 50 deutschen und 30 englischen Texten angepasst werden. Zwischen den Parametern dieser Verteilung besteht ein klarer Zusammenhang, wie nun gezeigt werden soll. Text

a

b

Text

a

b

1 2 3 4 5 6 7 8

1.65 2.46 2.93 1.97 1.58 2.80 2.03 3.35

0.11 0.83 1.29 0.38 0.23 1.47 0.28 1.72

9 10 11 12 13 14 15 16

2.10 1.62 2.30 2.28 1.88 1.90 1.76 1.93

0.69 0.30 0.46 0.57 0.34 0.44 0.26 0.31

Abb. 14.5: Beziehungen zwischen den Parametern a und b der Hyperpoisson-Verteilung am Beispiel der Kurzprosatexte von E. Strittmatter

Die folgende Graphik veranschaulicht diese Zusammenhänge. 2 1,5 a

m1

7.

Abb. 14.3: Das Ordsche Kriterium für rhythmische Einheiten, angewendet auf 16 Kurzprosatexte von E. Strittmatter

1 0,5 0 0

Daraus ergibt sich folgende Graphik:

2 b

3

4

Abb. 14.6: Die Beziehungen zwischen den Parametern a und b der Hyperpoisson-Verteilung am Beispiel der Längen rhythmischer Einheiten in 16 Kurzprosatexten von E. Strittmatter

2 1,5 S

1

Es wird sehr deutlich, dass zwischen den Parametern ein enger, linearer Zusammenhang besteht.

1 0,5 0 0

0,2

0,4

0,6

0,8

1

I

Abb. 14.4: Das Ordsche Kriterium für Längen rhythmischer Einheiten in 16 Kurzprosatexten von E. Strittmatter

8.

Perspektiven

Da die Untersuchungen zu den Verteilungen der Längen rhythmischer Einheiten in Texten verschiedener Sprachen gerade erst

14. Längen rhythmischer Einheiten

begonnen haben, kann man sich bisher noch nicht auf gesicherte Ergebnisse stützen. Die hier referierten ersten Versuche sind vor allem im Kontext mit den wesentlich weiter fortgeschrittenen Untersuchungen zu den Verteilungen von Wort-, Satz- und Silbenlängen zu sehen. Es zeigen sich jedoch Übereinstimmungen mit den Erfahrungen bei anderen Sprachentitäten, die erwarten lassen, dass sich bei weiterer Forschung vergleichbare Ergebnisse einstellen werden. D. h., man darf annehmen, dass die erfolgreiche Anpassung der Hyperpoisson-Verteilung an die Verteilung rhythmischer Einheiten verschiedener Länge bei 50 deutschen und 30 englischen Texten kein Zufall ist, sondern dass auch bei weiteren Arbeiten diese oder eine der anderen Verteilungen, die sich bei anderen Sprachentitäten bewährt haben, auch bei rhythmischen Einheiten erfolgreich sein werden. Bei allen Untersuchungen rhythmischer Einheiten spielt die momentane Interpretation der Texte durch den jeweiligen Bearbeiter eine größere Rolle als bei anderen, früher untersuchten Einheiten. Bisher stützen sich Untersuchungen zu Längenverteilungen beliebiger Einheiten auf theoretische Begründungen, die speziell für Satz- und Wortlängen entwickelt wurden. Der Grundgedanke dabei ist, dass andere Einheiten sich prinzipiell genau so verhalten sollten. Es war jedoch noch nicht möglich, a priori zu bestimmen, welche Verteilung genau unter welchen Bedingungen (Sprache, gewählte Einheit, Autor, Textsorte, etc.) als geeignetes Modell zu erwarten ist. Möglicherweise bringt das von P. Grzybek initiierte Grazer Projekt zu Wortlängenverteilungen „Quanta“ (Grazer Projekt zur Quantitativen Textanalyse) einmal Ergebnisse, die sich auch auf die ähnlich gelagerten Probleme mit den rhythmischen Einheiten übertragen lassen. Weitere Perspektiven lassen sich dadurch gewinnen, dass rhythmische Einheiten nicht nur hinsichtlich ihrer Häufigkeitsverteilung in Texten, sondern auch im Hinblick auf ihre Sequenzen untersucht werden, wie dies für die Abfolge von Wortarten in Ziegler/Best/ Altmann (2001, 102 ff.; 2002, 80 ff.) entwickelt wurde.

9.

Literatur (in Auswahl)

Altmann, Gabriel (1988a), Verteilungen der Satzlängen. In: Glottometrika 9. (Ed. Klaus-Peter Schulz). Bochum: Brockmeyer, 147K169.

213 Altmann, Gabriel (1988b), Wiederholungen in Texten. Bochum: Brockmeyer. Altmann, Gabriel (1992). Das Problem der Datenhomogenität. In: Glottometrika 13. (Hrsg. Burghard Rieger). Bochum: Brockmeyer, 287K 298. Altmann-Fitter (1994), Lüdenscheid: RAM-Verlag. Altmann-Fitter. Iterative Fitting of Probability Distributions (1997). Lüdenscheid: RAM-Verlag. Best, Karl-Heinz (2001a), Kommentierte Bibliographie zum Göttinger Projekt. In: Best 2001, 284K310. Best, Karl-Heinz (2001b), Probability Distributions of Language Entities. In: Journal of Quantitative Linguistics 8, 1K11. Best, Karl-Heinz (2001c), Zur Verteilung rhythmischer Einheiten in deutscher Prosa. In: Best 2001, 162K166. Best, Karl-Heinz (Hrsg.), (2001), Häufigkeitsverteilungen in Texten. Göttingen: Peust & Gutschmidt. Best, Karl-Heinz (2002), The distribution of rhythmic units in German short prose. In: Glottometrics 3 (To Honor G. K. Zipf), 136K142. Fucks, Wilhelm (1956), Die mathematischen Gesetze der Bildung von Sprachelementen aus ihren Bestandteilen. In: Nachrichtentechnische Fachberichte 3, 7K21. Gropp, Friedrich (1915), Zur Ästhetik und Statistik des Prosarhythmus. Würzburg, diss. phil. Grazer Projekt zur Quantitativen Textanalyse (2002), http://www-gewi.uni-graz.at/quanta/ projekt_descr.htm Kaßel, Anja (2002), Zur Verteilung rhythmischer Einheiten in deutschen und englischen Texten. Staatsexamensarbeit, Göttingen. Marbe, Karl (1904), Über den Rhythmus der Prosa. Giessen: J. Ricker’sche Verlagsbuchhandlung. Marbe, Karl (1913), Die Bedeutung der Psychologie für die übrigen Wissenschaften und die Praxis. In: Fortschritte der Psychologie und ihrer Anwendungen, I. Bd., 1. H. (Hrsg. Karl Marbe). Leipzig/ Berlin: Teubner. Marbe, Karl (1945), Selbstbiographie des Psychologen Geheimrat Prof. Dr. Karl Marbe in Würzburg. Halle: ohne Verlag (Selbstbiographien von Naturforschern, Nr. 4). Ord, J. K. (1972), Families of frequency distributions. London: Griffin. Thumb, Albert (1913), Satzrhythmus und Satzmelodie in der altgriechischen Prosa. In: Fortschritte der Psychologie und ihrer Anwendungen, I. Bd., III. H. (Hrsg. Karl Marbe). Leipzig/Berlin: Teubner, 139K168.

214

II. Gebiete und Phänomene: Phonologie / Fields and phenomena: phonology

Vesper, Guntram (1985), Kriegerdenkmal ganz hinten. Frankfurt: Fischer Taschenbuch Verlag, 18K22. Wimmer, Gejza/Altmann, Gabriel (1996), The Theory of Word Length Distribution: Some Results and Generalizations. In: Glottometrika 15. (Hrsg. Peter Schmidt). Trier: Wissenschaftlicher Verlag Trier, 112K133. Wimmer, Gejza/Köhler, Reinhard/Grotjahn, Rüdiger/Altmann, Gabriel (1994), Towards a Theory

of Word Length Distribution. In: Journal of Quantitative Linguistics 1, 98K106. Ziegler, Arne/Best, Karl-Heinz/Altmann, Gabriel (2001), A contribution to text spectra. In: Glottometrics 1, 97K108. Ziegler, Arne/Best, Karl-Heinz/Altmann, Gabriel (2002), Nominalstil. In: etc 2, 72K85.

Karl Heinz Best, Göttingen (Deutschland)

15. Zusammenhänge 1. 2. 3. 4. 5. 6.

Einführung Das Phoneminventar Das Merkmalinventar Entropie und Redundanz Phoneminventar und Länge Literatur (in Auswahl)

1.

Einführung

Während die diesem Beitrag vorangehenden Artikel einzelne phonologische Eigenschaften von Sprachen vorstellen sowie dem Leser Anleitungen und das statistische Rüstzeug an die Hand geben, Daten zu erheben, auszuwerten und zu beurteilen, sollen in diesem Beitrag einige Zusammenhänge herausgestellt werden, die zwischen Eigenschaften der phonologischen Sprachebene untereinander oder Beziehungen zu Größen anderer sprachlicher Ebenen existieren oder wenigstens existieren können. Am einem Beispiel soll die Plausibilität solcher Zusammenhänge verdeutlicht werden: Eine fiktive Sprache mit nur 2 unterschiedlichen Segmenten /a/ und /b/ kann daraus die folgenden vier zweistelligen „Wörter“ bilden: aa, ab, ba, bb. Mit 3 Phonemen /a/, /b/, /c/ wären bereits neun Kombinationen möglich: aa, ab, ac, ba, bb, bc, ca, cb, cc. Die Anzahl der zweigliedrigen Einheiten, die aus einem gegebenen Inventar maximal gebildet werden können, beträgt also n2, wobei n die Anzahl der Segmente darstellt. Allgemein können mit n Segmenten n k k-stellige Einheiten gebildet werden. Ausgehend von der Annahme, dass in allen Sprachen eine ausreichende Menge an Bedeutungen kodiert werden muss (z. B. in Form von Morphemen), lässt sich nun vermuten, dass ein inverser Zusammenhang zwischen dem

Umfang des Phoneminventars und der durchschnittlichen Morphemlänge besteht: Sprachen, die nur wenige Phoneme besitzen, kompensieren diesen „Mangel“ über eine Erhöhung der durchschnittlichen Morphemlänge, oder umgekehrt formuliert: einer Sprache mit reichhaltigem Phoneminventar stehen größere Ressourcen zur Bildung kürzerer Einheiten zur Verfügung. Auf diesen Zusammenhang zwischen Phoneminventar und Wortlänge wird weiter unten ausführlich eingegangen werden. In der Universalienforschung und der Sprachtypologie wird gerne der Versuch unternommen, solche hypothetischen Zusammenhänge anhand von passenden sprachvergleichenden oder sprachentwicklungsgeschichtlichen Beispielen zu belegen. Zur Illustration eines Zusammenhangs ist das zwar nützlich, allerdings ist ein eindeutiger Nachweis von systematischen Beziehungen auf solchem Wege natürlich nicht möglich. Genauso, wie sich für jeden angenommenen Zusammenhang positive Beispiele finden lassen, können meist auch genügend Gegenbeispiele angeführt werden, da es sich hierbei nicht um deterministische Gesetze handelt, sondern lediglich um stochastische Tendenzen. Diese lassen sich nur belegen, indem eine ausreichende Menge an Sprachen bezüglich der in Frage stehenden Eigenschaften auf dieselbe Art und Weise untersucht und die Ergebnisse unter Zuhilfenahme statistischer Methoden ausgewertet werden. Selbst bereits vorhandene sprachliche Daten zu vergleichen, kann problematisch sein, wenn diese nicht auf exakt dieselbe Art und Weise gewonnen und ausgewertet wurden. Dass Unterschiede bei der Datenerhebung gewichtige Unterschiede zur Folge haben können, wird im Verlauf dieses Beitrags noch deutlich zu machen sein.

15. Zusammenhänge

2.

Das Phoneminventar

Die Erhebung des Phoneminventars einer Sprache gehört seit der Prager Schule wahrscheinlich zu den am besten operationalisierten Gebieten in der Linguistik, und Verfahrensweisen zur Segmentierung und Klassifizierung von Phonemen für die Bestimmung des Phoneminventars wie Minimalpaaranalyse lassen sich in jeder LinguistikEinführung nachlesen. Das soll allerdings nicht darüber hinwegtäuschen, dass es sich auch beim Phonem lediglich um ein theoretisches Konstrukt handelt, das zwar zur Beschreibung von Sprachen nützlich ist, aber nicht notwendigerweise sprachliche Realität darstellt. So gibt es bis zum heutigen Tage beispielsweise keine Kriterien, die eine eindeutige Wertung von Affrikaten als ein oder zwei Phoneme zulassen würden K nicht die Sprache verhält sich hier zweideutig, sondern die unterschiedlichen Methoden bei der Bestimmung von Phonemen lassen keine eindeutige Interpretation zu. Eine weitere Unsicherheit stellen Laute dar, die beinahe ausschließlich in Fremdwörtern der untersuchten Sprache vorkommen, wie z. B. [η], das im Französischen vornehmlich bei aus dem Englischen entlehnten Wörtern auftritt: camping, smoking, usw. Auch wenn sich einzelne Minimalpaare finden lassen (camping vs. campine), lassen bestehende Kriterien keine Entscheidung zu, ab wann eine Opposition phonologisch relevant bzw. ein Laut tatsächlich als Phonem anzusehen ist. Problemen der geschilderten Art wird man immer wieder begegnen. Wichtig ist es daher, bei eigenen Erhebungen zweifelhafte Fälle in allen Sprachen möglichst einheitlich zu handhaben und unterschiedliche Ansätze auch beim Vergleich bestehender Daten zu beachten. Auch unter Berücksichtigung gewisser Unsicherheiten bezüglich der Bestimmung der genauen Menge der Phoneme einer Sprache scheint die Anzahl der Phoneme, die verschiedene Sprachen nutzen, extrem variabel zu sein. Bei Maddieson (1984) ergab eine Stichprobe von 317 Sprachen aus unterschiedlichen Sprachfamilien Inventargrößen, die von 11 (Rotokas) bis 141 (!Xu˜) reichen (Maddieson 1984, 7). Die meisten Sprachen (70 %) benutzen demnach allerdings zwischen 20 und 37 Segmenten (der Mittelwert ist 31).

215 Der Erhebung von Altmann/Lehfeldt (1980) liegt eine Stichprobe von 600 Sprachen zugrunde K auch dort „wurde darauf geachtet, möglichst viele Sprachfamilien angemessen zu berücksichtigen“ (Altmann/ Lehfeldt 1980, 88). Die dort ermittelten Inventargrößen reichen von 13 bis 61. Bei beiden Erhebungen zeigte sich, dass die Inventargröße offensichtlich nicht normalverteilt ist. Für in Fünfer-Klassen zusammengefasste Inventargrößen stellt nach Lehfeldt die Gamma-Verteilung eine gute Approximation dar (Lehfeldt 1975, 274 f.). Mithilfe verschiedener statistischer Verfahren gelangt der Autor zu einer Einteilung der Sprachen in 3 Klassen: die Klasse mit hoher Phonemzahl umfasst Sprachen mit 48 oder mehr Phonemen, als Sprache mit niedriger Phonemzahl werden Sprachen bewertet, die weniger als 18 Phoneme besitzen, die übrigen Sprachen (zwischen 18 und 47 Phonemen) haben eine „normale“ Phonemanzahl. Allerdings entspringen einige Entscheidungen bei der Anwendung der statistischen Verfahren rein praktischen Gründen und lassen sich linguistisch nicht begründen. Trotz dieser hohen Variabilität der Phonemanzahl von Sprachen wurde die Frage, ob Faktoren existieren, die die Größe des Phoneminventars irgendwie beeinflussen, oder ob es eine „optimale“ Anzahl an Phonemen gibt, bislang kaum untersucht. Zwar kann man plausiblerweise eine theoretische Höchstgrenze annehmen, ab der die einzelnen Phoneme nicht mehr zuverlässig voneinander unterscheidbar sind, und auch eine theoretische Mindestzahl, die zur Bildung höherer Spracheinheiten notwendig ist. Jedoch bleibt vollkommen unklar, wo genau diese Grenzen liegen oder ob eine Annäherung an die obere oder die untere Grenze das Sprachsystem in einen instabilen Zustand versetzt, so dass Lautwandelprozesse in die jeweils umgekehrte Richtung in Gang gesetzt werden. Nach Maddieson (1984, 7 ff.) zeigen weder die Sprache !Xu˜ (aus dem Sprachstamm Khoisian), die mit 141 Phonemen das umfangreichste Inventar der von ihm untersuchten 317 Sprachen aufweist, noch Hawaiianisch, das sich bezüglich des Phonemreichtums mit 13 Segmenten am unteren Ende befindet, gegenläufige Tendenzen in Richtung einer „normalen“ Inventargröße. Sowohl besonders umfangreiche als auch besonders arme Phoneminventare können sich demnach als durchaus stabile Merkmale von Sprachen erweisen. Maddie-

216

II. Gebiete und Phänomene: Phonologie / Fields and phenomena: phonology

son argumentiert aus diesem Grund, dass Wandelprozesse, die sich normalisierend auf die Phonemanzahl auswirken, erst durch massiven Kontakt mit Sprachen mit deutlichen anderem Phoneminventar ergäben. Für die beiden oben genannten Sprachen gilt dies nicht: Sprachkontakt bestehe hier primär zu phonologisch ähnlichen Sprachen der jeweils selben Sprachfamilie. Er schließt daraus, dass selbst eine extreme Phonemanzahl alleine keinen Druck in Richtung Vereinfachung/Anreicherung des Phoneminventars ausübe. Darüber, welche Phoneme sich bevorzugt innerhalb eines Inventars befinden, wurden im Bereich der Universalienforschung zahlreiche „Regeln“ aufgestellt vgl. z. B. Greenberg (1966), auf die an dieser Stelle nicht näher eingegangen werden soll. Eine allgemeine Anforderung an das Phoneminventar besteht sicherlich darin, dass die in ihm enthaltenen Phoneme perzeptorisch unterschiedlich genug sein müssen, so dass der Hörer sie auseinanderhalten kann. Dies bezieht sich sowohl auf die syntagmatischen Beziehungen, die in Form von Kontrasten zwischen benachbarten Elementen der Lautkette vorhanden sein müssen, als auch auf die paradigmatischen Beziehungen (Oppositionen) der Phoneme untereinander, die dem Hörer die Unterscheidung von mein und Wein ermöglichen. Da die Dekodierung um so leichter fallen dürfte, je unterschiedlicher oder kontrastiver die einzelnen Laute sind, würde der Hörer ideale Zustände in einer Sprache vorfinden, in der das Phonemsystem ausschließlich nach dem Prinzip der maximalen Distinktivität der Segmente aufgebaut wäre. Tatsächlich finden sich jedoch keine Sprachen, in denen sich fünf Vokale nicht nur im Artikulationsort, sondern zusätzlich darin unterscheiden, dass einer nasaliert, einer behaucht, einer pharyngalisiert und der letzte laryngalisiert wird. Auch Schnalz-Laute werden, obwohl sie vermutlich sehr „auffällig“ sind, in vergleichsweise wenigen Sprachen verwendet. So stellt sich das Prinzip des geringsten Aufwandes auf der Sprecherseite auch vollkommen anders dar als auf der Hörerseite: Die von der Hörerseite gewünschte maximale Kontrastivität bedeutet für den Sprecher nur unwillkommenen artikulatorischen Aufwand, den er seinerseits minimieren will. In Köhlers (1986, 24; vgl. Art. Nr. 53) synergetischem Regelkreis werden daher die Minimierung des Artikulationsaufwands sowie die Mini-

mierung des Dekodierungsaufwands als Systembedürfnisse eingeführt, denen die Sprachen mehr oder weniger gerecht werden müssen. Zu hohe artikulatorische Komplexität ist dabei genauso ungünstig wie zu geringe Distinktivität. Gleichzeitig sind die konträren Bedürfnisse von kommunizierenden Menschen in ihrer jeweiligen Rolle als Sprecher bzw. Hörer Grundlage der Dynamik des Systems und letztlich auch Voraussetzung für den Lautwandel. Trotz des offensichtlichen Zusammenhangs mit dem Thema dieses Beitrags kann aus Platzgründen auf Lautwandelprozesse nicht näher eingegangen werden.

3.

Das Merkmalinventar

Auf der nächst tieferen Ebene bestehen Phoneme aus Merkmalen, d. h. einerseits im Sinne von konstruktiven Merkmalen, andererseits im Sinne von distinktiven Merkmalen, die dazu dienen, Phoneme voneinander zu unterscheiden. Wie ein Merkmalssystem im einzelnen auch aussehen mag, so muss es zumindest eine ausreichende Anzahl an Merkmalen und Merkmalsausprägungen besitzen, um jedem Phonem eine eindeutige Kombination zuweisen zu können. Darüber hinaus sind natürlich zahlreiche unterschiedliche Systeme denkbar, die diese Anforderung erfüllen. Was also oben für die Bestimmung des Phoneminventars gesagt wurde, gilt in wahrscheinlich noch größerem Maße für eine Aufstellung der Merkmale, die zur Bildung und Differenzierung der phonemischen Lautklassen genutzt werden: Abhängig von der jeweiligen Zielsetzung können Merkmalssysteme für eine und dieselbe Sprache unterschiedliche Elemente enthalten und folglich auch im Umfang variieren. Dem einen Forscher mag es mehr auf ein möglichst effizientes, also aredundantes System ankommen, und er wird versuchen, mit einem Minimum an Merkmalen auszukommen. Eine andere Zielsetzung kann darin bestehen, ein Merkmalssystem zu entwerfen, mit dessen Hilfe die „Phonemkomplexität“ (im Sinne von artikulatorischem Aufwand) bestimmt werden soll. Für derartige Zwecke muss die Analyse der Phoneme in möglichst enger Übereinstimmung mit artikulatorischen Gegebenheiten vorgenommen werden, wobei alle artikulatorischen Merkmale berücksichtigt werden müssen, also auch die redundanten. Auch die Frage, ob man nur binäre Merkmalsausprägungen zu-

217

15. Zusammenhänge

lassen will oder auch mehrwertige, hat entscheidenden Einfluss auf die Anzahl der Merkmale, die man benötigt, um alle Phoneme als eindeutige Merkmalsbündel beschreiben zu können. Während man mit einem Merkmal, das 4 Ausprägungen annehmen kann, 4 Phoneme voneinander abgrenzen kann, benötigt man für diese 4 Phoneme 2 Merkmale, wenn man nur die Werte ,C‘ und ,K‘ zulassen will. Nun fließen Anzahl und Art der Merkmale in zahlreiche Berechnungen sprachlicher Parameter ein (z. B. Merkmalsredundanz, Ausnützungsgrad des Phonemsystems, Phonemähnlichkeit, usw.). Die so gewonnenen Parameter verschiedener Sprachen sind praktisch nicht vergleichbar, wenn die jeweiligen Merkmalssysteme der zu vergleichenden Sprachen nicht nach denselben Prinzipien gewonnen wurden. Man muss sich bei verschiedenen Messungen klar machen, dass man in erster Linie Eigenschaften eines phonologischen Modells misst, die nicht unbedingt auch Eigenschaften der Sprache sein müssen.

hältnis zu anderen Zeichen vorkommt, desto geringer ist die Information, die es überträgt, es ist schlicht erwartbarer als ein anderes Zeichen. Ein geeignetes numerisches Maß für die Unsicherheit, mit dem ein Symbol vorkommt, bzw. für dessen Neuigkeitswert ist der partielle Informationsgehalt eines Symbols (Meyer-Eppler 1965, 78; vgl. auch Art. Nr. 60 und 61)

4.

Um also die syntagmatische Entropie oder Redundanz eines Phonemsystems zu berechnen, benötigt man die aus einer pragmatischen oder einer systemischen Stichprobe gewonnenen relativen Häufigkeiten jedes einzelnen Phonems, aus denen die Auftretenswahrscheinlichkeiten geschätzt werden. Beispielhafte Berechnungen und Anmerkungen zur Messung von Phonemhäufigkeiten finden sich z. B. bei Altmann/Lehfeldt (1980, 169 f.) oder Grassegger (1977, 4). Die Entropie erreicht ihr Maximum, wenn alle Symbole mit derselben Häufigkeit auftreten, also keines erwartbarer ist als irgendein anderes. In diesem Falle ist also

Entropie und Redundanz

Weil mit Sprache in erster Linie kommuniziert werden soll und dies bestenfalls auch bei Vorliegen von nicht idealen Bedingungen funktionieren sollte, findet sich auf allen Sprachebenen eine gewisse Redundanz, die den Kommunikationsteilnehmern die Dekodierung der Mitteilung erleichtert oder unter widrigen Umständen (undeutliche Aussprache, Störungen im Übertragungskanal usw.) überhaupt erst ermöglicht. Redundanz weist viele Formen auf. Eine offensichtliche Form besteht z. B. in der Wiederholung von Sachverhalten in derselben oder einer anderen Ausdrucksweise. Weniger offensichtliche Formen entstehen durch unterschiedliche Vorkommenshäufigkeiten und die Nichtausnutzung von Kombinationsmöglichkeiten sprachlicher Elemente. Diese Erscheinungen von Redundanz entziehen sich größtenteils der Steuerung der Sprachteilnehmer, da sie in den sprachlichen Regeln und Strukturen fest verankert sind. Sie lassen sich jedoch mit informationstheoretischen Methoden messen. 4.1. Syntagmatische Entropie/Redundanz Jedes sprachliche Zeichen, hier also das Phonem, kommt mit einer bestimmten Wahrscheinlichkeit vor. Je öfter es im Ver-

1 ci Z ld ZKld pi (in bt/Symbol); pi

(1)

pi ist dabei die Wahrscheinlichkeit des Auftretens eines Symbols. Wenn sie 1 beträgt, wenn also nur ein Zeichen verwendet wird, nimmt dieses Maß den Wert 0 an. Minimale Entropie bzw. maximale Redundanz läge also vor, wenn ein Phonem in 100 % aller Fälle vorkäme, alle anderen nie. Die mittlere Informationsentropie eines Inventars berechnet sich nach der von Shannon entwickelten Formel durch k

H Z K ∑ pi ld pi .

(2)

iZ1

1 p1 Z p2 Z ... Z pk Z . k

(3)

Die Entropie kann in diesem Falle einfach berechnet werden durch Hmax Z ld k (in bt/Symbol).

(4)

Umfasst ein Inventar z. B. 32 Elemente, die alle gleich häufig auftreten, so beträgt der Informationsgehalt je Symbol 5 Bit. Diesen Wert kann man sich folgendermaßen verdeutlichen: wenn man eine beliebige Zahl von 32 möglichen erraten sollte, so gelangt man mit genau 5 (richtig gestellten) Fragen zum Ergebnis.

218

II. Gebiete und Phänomene: Phonologie / Fields and phenomena: phonology

Der Wert, den das Entropiemaß H annehmen kann, liegt also im Bereich C0; ld kD und ist somit abhängig vom Umfang des jeweiligen Inventars, also z. B. von der Anzahl der Phoneme. Im allgemeinen steigt dabei die durchschnittliche Entropie mit zunehmender Phonemanzahl im Inventar, da ja mehr Phoneme zur Auswahl stehen (ein mathematisches Modell dieses Zusammenhangs findet sich in Altmann/Lehfeldt 1980. Um ein bezüglich der Inventargröße relativiertes Maß zu erhalten, berechnet man einfach den Quotienten von H und Hmax: hZ

H Hmax

(5)

Die relative Redundanz ist das Komplement der Entropie auf 1, also r Z 1 K h.

(6)

Die „relative Entropie“ bewegt sich im Intervall C0; 1D, und so können auch unterschiedlich große Phoneminventare miteinander verglichen werden. Ein solcher Sprachvergleich findet sich bei Altmann/ Lehfeldt (1980, 171 f.). Die Entropiewerte der verglichenen 63 Sprachen reichen von ca. 0,79 bis 0,92. Die Bestimmung der Phoneminventare und der Phonemzählungen wurden allerdings nicht von den Autoren selbst vorgenommen, so dass hier eine gewisse Unsicherheit bezüglich der Zuverlässigkeit der Daten besteht. Auf der Merkmalsebene können analoge Berechnungen durchgeführt werden. Altmann und Lehfeldt führen in diesem Bereich das „Maß der Gleichmäßigkeit der Merkmalsausnutzung“ ein, wenngleich sich dieses Maß nicht auf das Merkmalssystem einer Sprache, sondern auf eines seiner möglichen Modelle bezieht. Die Frage nach dem Gültigkeitsbereich von Messungen und Maßen insbesondere auf der Ebene distinktiver oder konstruktiver Merkmale wurde ja bereits oben erläutert. Das Maß der Gleichmäßigkeit der Merkmalsausnutzung bezieht sich nun eigentlich nicht auf die Merkmale selbst, sondern auf deren Ausprägungen. Hat man es in einem Merkmalssystem mit mehrwertigen Merkmalen zu tun, so werden dabei die einzelnen Ausprägungen in Binärmerkmale umgeformt: aus einem Merkmal, das 5 verschiedene Werte annehmen kann, werden so 5 Merkmale, die entweder positiv oder negativ spezifiziert sind. Diese Merkmale sind al-

lerdings nicht mehr unabhängig voneinander, weil ja nur eines von ihnen positiv spezifiziert sein kann. Für die Ausprägungen soll nun gemessen werden, wie gleichmäßig sie im beschriebenen Phonemsystem zur Anwendung kommen. Eine Merkmalsausprägung sei in einem Phonem vertreten, wenn sie für dieses Phonem positiv spezifiziert ist. Für die Berechnung zählt man zunächst die Vorkommenshäufigkeiten f der einzelnen Ausprägungen in den Phonemen. Wenn die Ausprägungen ganz gleichmäßig ausgenützt würden, so würde sich die Gesamtanzahl der positiven Bewertungen aller Merkmalsausprägungen r gleichmäßig auf alle Merkmalsausprägungen m verteilen, jedes r Merkmal wäre also -mal positiv spezifim ziert. Mithilfe des χ2-Tests ließ sich dabei für das Merkmalsystem der „prime features“ von Ladefoged für das Amerikanische Englisch zeigen, dass die Merkmale signifikant ungleichmäßig verteilt sind, dass also offenbar auch auf dieser Ebene Redundanz vorliegt. Die Entropie berechnet sich in diesem Fall als H Z ld r K

1 r

m

∑ fi ld fi ,

(7)

iZ1

da die Wahrscheinlichkeit einer positiven fi Merkmalsspezifikation pi Z beträgt. r Die relative Entropie erhält man wiederum durch Division von H durch seinen möglichen Maximalwert, in diesem Fall Hmax Z ld m. Auch für dieses Maß kann mit Hilfe des χ2-Tests eine signifikant unregelmäßige Verteilung nachgewiesen werden. Obwohl verschiedentlich anders dargestellt, ist eine andere Form der Redundanz, die durch phonotaktische Regeln einer Sprache entsteht, im relativen Redundanzmaß r nicht enthalten. Angenommen, eine fiktive Sprache enthält 4 Phoneme /a, b, c, d/, die alle dieselbe relative Häufigkeit von 0.25 aufweisen. Die nach der oben genannten Formel berechnete relative Redundanz dieses Phoneminventars ist also 0. Trotzdem kann der Fall eintreten, dass manche dieser Phoneme in der Sprache mit hundertprozentiger Genauigkeit vorausgesagt werden können, nämlich dann, wenn die Sprache aus diesem Inventar nur die beiden Silben ab und cd bildet, wenn also Phonem /a/ immer

219

15. Zusammenhänge

gefolgt wird von /b/ und /c/ von /d/. Die Elemente /b/ und /d/ tragen in diesem Fall keinerlei Information, weil sie vollkommen vorhersehbar sind. 4.2. Paradigmatische Entropie/Redundanz Ein dem Sprachsystem zugrundeliegendes ökonomisches Prinzip ist das der Konstituenz: Einheiten niedriger Sprachebenen werden auf höheren Ebenen kombiniert (Merkmale zu Phonemen, Phoneme zu Silben/ Morphemen usw.), und auf diese Weise können mit einer relativ überschaubaren Menge an Grundeinheiten unzählige Inhalte kodiert werden. Einzelne sprachliche Subsysteme lassen sich nun danach beurteilen, inwieweit mögliche Kombinationen auch tatsächlich ausgenutzt werden. Im Bereich der Phonologie betrifft das einerseits die Kombination von Merkmalen zu Phonemen, andererseits die Aneinanderreihung von Phonemen zu den nächsthöheren Einheiten der Silben oder der Morphe(me). 4.2.1. Merkmalsredundanz oder Effizienz des Merkmalinventars Die Effizienz eines Merkmalinventars ist abhängig von der Anzahl der Merkmale und der Anzahl der mit ihnen gebildeten Phoneme. Mit zwei binären Merkmalen lassen sich maximal 4 Phoneme bilden, mit 3 Merkmalen bereits 8, usw. Allgemein können also mit m Merkmalen 2m Phoneme gebildet werden. Umgekehrt lässt sich der Merkmalsbedarf für eine gegebene Anzahl an Phonemen mit m Z ld n

(8)

berechnen (ungerade Werte für m müssen aufgerundet werden). Setzt man dieses Maß nun in Beziehung zur tatsächlich verwendeten Anzahl von Merkmalen, erhält man ein Maß für die Effizienz bzw. für die Entropie des Merkmalsystems: hZ

ld n m

(9)

Die Redundanz berechnet sich auch hier als 1 K h. In einer sprachvergleichenden Untersuchung von Greenberg/Osgood/Saporta (1965) wiesen die 6 untersuchten Sprachen ein relativ ausgeglichenes 50 : 50-Verhältnis von Entropie und Redundanz auf. Die Autoren nennen dieses Verhältnis „Entropiegleichgewicht“ (Greenberg/Osgood/Saporta

1965, 156) und begründen es folgendermaßen: unter den mit dem gegebenen Merkmalsinventar möglichen Merkmalsbündeln werden die Kombinationen ausgewählt, die perzeptiv möglichst unähnlich sind. Daher würden von 2m möglichen maximal 2mK1 Phoneme wirklich verwendet, also eben genau die Hälfte. Dass die Vermeidung allzu ähnlicher Phoneme bei der Existenz von Redundanz auf dieser Ebene eine Rolle spielen mag, scheint plausibel, warum dem allerdings genau 50 % der möglichen Phoneme zum Opfer fallen sollen, erscheint nicht nachvollziehbar. Beim Vergleich der von (Kucera/Monroe 1968) angegebenen Werte der syntagmatischen Redundanz für die 3 Sprachen Deutsch, Russisch und Tschechisch mit den von ihm errechneten paradigmatischen Merkmalsredundanzen beobachtete Grassegger (1977, 90) einen inversen Zusammenhang zwischen beiden Maßen: je höher die paradigmatische Redundanz, desto niedriger die syntagmatische. Er interpretiert diesen Zusammenhang als Wiederherstellung des fehlenden Entropiegleichgewichts (vgl. Abschnitt 4.1.) auf der Merkmalsebene durch eine erhöhte syntagmatische Entropie auf der Phonemebene. Ein mit der Effizienz eng verbundenes Maß ist der Ausnützungsgrad des Phonemsystems. Hier stellt man die Anzahl der Phoneme, die mit der gegebenen Anzahl distinktiver (binärer) Merkmale gebildet werden können, der Anzahl der tatsächlich mit ihnen gebildeten Phoneme gegenüber. Bei Altmann/Lehfeldt (1980, 68) wird eine Variante obiger (paradigmatischer) Entropie-Formel entwickelt, welche die Tatsache berücksichtigt, dass, um n Phoneme unterscheiden zu können, maximal n-1 distinktive Merkmale mit binärem Wertebereich benötigt werden. Daher bewegt sich der ld n Wert von h im Intervall 具 ; 1 典 . Der MinK1 nimalwert ist also abhängig von der Phonemanzahl. Eine Transformation gleicht diesen Umstand aus: ld n m EL Z 1 K ld n

K1

nK1

.

(10)

K1

Da der Ausdruck ld n die minimal benötigte Anzahl binärer Merkmale berechnet, hat die

220

II. Gebiete und Phänomene: Phonologie / Fields and phenomena: phonology

Anwendung beider Formeln natürlich nur für solche Systeme Sinn, deren Merkmale ebenfalls nur zweiwertig sind. Zwar lassen sich Systeme mit mehrwertigen Merkmalen ohne weiteres in binäre Systeme überführen (ein Merkmal, das n Werte annehmen kann, lässt sich in n binäre Merkmale transformieren), dennoch ist ein solches Vorgehen ungültig, da die Merkmale dann nicht mehr unabhängig voneinander sind K nur eines kann jeweils positiv spezifiziert sein K was Kombinationsmöglichkeiten dieser Merkmale untereinander ausschließt. Generell stellt sich die Frage, ob man Abhängigkeiten zwischen einzelnen Merkmalen, die in den meisten Systemen existieren, nicht berücksichtigen müsste: z. B. können es bei der Analyse der Vokale mit den Merkmalen [high] und [low] nur die Kombinationen [Chigh, Klow], [Khigh, Clow], [Khigh, Klow] existieren, [Chigh, Clow] ist dagegen artikulatorisch kaum machbar. Greenberg/Osgood/Saporta sprechen hierbei von einer „inherent redundancy, where the physiology of the articulatory processes requires it“ (Greenberg/Osgood/Saporta 1965, 153). Tatsächlich scheint diese Form der Redundanz allerdings eher im Modell zu liegen. Ein weiteres, in aller Regel unberücksichtigt bleibendes Problem im Zusammenhang mit binären Merkmalen besteht darin, dass in den gängigen Merkmalssystemen binäre Merkmale zweierlei Anwendung erfahren: die Ausprägung kann in einem Fall tatsächlich für die An- oder die Abwesenheit eines Merkmals stehen (z. B. Stimmhaftigkeit). Daneben gibt es jedoch eine Form distinktiver Merkmale, die eigentlich zwischen 2 Ausprägungen unterscheidet, z. B. das Merkmal [back], welches zwischen Vorder- und Hinterzungenvokalen unterscheidet. Vokale, die als [Kback] spezifiziert sind, haben ja trotzdem einen Artikulationsort. Allerdings wird dieser Sachverhalt erst dann problematisch, wenn man die Gültigkeit eines mit der Merkmalsanzahl gewonnenen Maßes vom Modell auf die Sprache übertragen will. Man misst hier, wie effizient die Phoneme einer Sprache S mit dem gewählten Merkmalssystem analysiert werden können, und eben nicht die Effizienz der Sprache auf der Merkmalsebene. Altmann/Lehfeldt (1980, 66) nennen dieses Maß daher folgerichtig „Effektivität des Transkriptionscodes“. Sie weisen ferner darauf hin, dass die Redundanz unter bestimmten Umständen nicht das Gegenstück zur Effizienz darstellt: zwar ist ei-

nerseits ein maximal effizienter Code tatsächlich redundanzfrei, jedoch müssen weniger effektive Systeme nicht unbedingt Redundanz aufweisen. Dieser Fall kann allerdings nur bei Merkmalssystemen eintreten, in denen die Möglichkeit vorgesehen ist, bestimmte Merkmale für eine Reihe von Phonemen als irrelevant zu kennzeichnen (,0‘). Innerhalb eines solchen Systems kann es dann zwar mehr Merkmale geben als unbedingt notwendig, aber die Anzahl der spezifizierten, also nicht als irrelevant gekennzeichneten Merkmale kann sich trotzdem wieder dem theoretischen Minimum nähern. Statt der Gesamtanzahl der Merkmale wird in diesem Fall der Minimalanzahl notwendiger Merkmale die durchschnittliche Anzahl spezifizierter Merkmale pro Phonem gegenübergestellt. Die Autoren nennen dieses Maß „Redundanzfreiheit des Transkriptionscodes“ (Altmann/Lehfeldt 1980, 72). Auch hier zeigt sich in aller Deutlichkeit die Abhängigkeit der in diesem Bereich erhobenen Maße vom gewählten Modell. Zusammenfassend stellen sich die Beziehungen zwischen Effizienz, Redundanz und Gleichmäßigkeit der Merkmalsausnutzung folgendermaßen dar: Ein vollkommen effizienter Code lässt keine mögliche Merkmalskombination ungenutzt, er ist gleichzeitig auch immer redundanzfrei. Außerdem liegt eine vollkommen gleichmäßige Ausnutzung aller Merkmale vor, da sie sämtlich genauso oft positiv wie negativ spezifiziert werden. Ein nicht vollkommen effizienter Code liegt dann vor, wenn es mehr Merkmale gibt, als man eigentlich braucht. Trotzdem können die Merkmale gleichmäßig ausgenutzt sein, und auch der Code kann praktisch redundanzfrei sein, wenn nämlich nur so viele Merkmale mit Werten belegt werden, wie unbedingt notwendig sind. 4.2.2. Merkmalsredundanz und Sprachverständlichkeit Stellt man einmal die Zweifel hintenan, ob die besprochenen Maße überhaupt etwas über Sprache aussagen, und geht davon aus, dass nach den gleichen Prinzipien bzw. mit demselben einheitlichen Merkmalssystem analysierte Phonemsysteme verschiedener Sprachen sich bezüglich ihrer Merkmalsredundanz vergleichen lassen, so kann man sich die Frage stellen, welche Auswirkungen es hat, wenn eine Sprache mehr oder weniger Redundanz in diesem Bereich aufweist. Ein besonders effizientes System zeichnet

15. Zusammenhänge

sich also dadurch aus, dass es wenige mögliche Merkmalskombinationen offen lässt, dass also die meisten möglichen Unterscheidungen bedeutungsunterscheidend eingesetzt werden. Man könnte also annehmen, dass sich die solchermaßen gebildeten Phoneme ähnlicher sind, als wenn für die gleiche Anzahl von Phonemen mehr Merkmale zum Einsatz kämen, was wiederum Auswirkungen auf die Sprachverständlichkeit hat. Diesen Zusammenhang untersuchte Grassegger (1977) in einem Sprachverständlichkeits-Experiment mit deutschen und französischen Schülern. Isoliert gesprochene Wörter wurden dabei mit einem Störsignal variierender Intensität überdeckt, und gemessen wurde jeweils die Anzahl richtiger Worterkennungen. Der Autor ging von der Annahme aus, dass sich für das Französische, dessen Merkmalsredundanz ca. 43 % beträgt, gegenüber dem Deutschen, das, abhängig von der gewählten Phonemanalyse, deutlich höhere Redundanzwerte von 49 %K53 % aufweist, im Experiment eine niedrigere Sprachverständlichkeit ergeben müsse. Das Gegenteil war der Fall, d. h. die französischen Sprachteilnehmer erreichten signifikant höhere Wortverständlichkeitswerte. Als Interpretation dieses Ergebnisses stellte der Autor die Hypothese auf, dass französische Hörer gerade aufgrund der niedrigen Redundanz ihres Phonemsystems gegenüber dem deutschen Hörer ein erhöhtes Differenzierungsvermögen und die Bereitschaft zu gesteigerter Aufmerksamkeit erworben haben, was sich in „Prüfungssituationen“ oder in Situationen gestörter Kommunikation hilfreich bemerkbar mache. Natürlich sind Begründungen dieser Art nicht vollkommen ausgeschlossen, jedoch scheint es hilfreicher zu sein, zunächst andere als mehr oder weniger unnachweisbare externe Erklärungen zu suchen. Erstens ist eine Stichprobe von 2 Sprachen offensichtlich bei weitem zu klein, um einen möglichen Zusammenhang zwischen Merkmalsredundanz und Sprachverständlichkeit bestätigen oder widerlegen zu können. Zweitens bestand das Experiment aus einem Worterkennungstest. Zwischen der Merkmals- und der Wortebene bieten Sprachen noch ausreichend andere Gelegenheiten, Redundanz einzubauen. Drittens stellt sich die Frage, ob sich ein Modell, das größtenteils anhand von artikulatorischen Kriterien aufgestellt wurde, überhaupt ohne weiteres auf die perzeptive Seite der Kommunikationskette übertragen lässt, obwohl eine

221 solche Vorgehensweise auch bei Untersuchungen zur Phonemähnlichkeit gängige Praxis ist. Zusammengefasst: Selbst wenn die Merkmalsredundanz tatsächlich eine Eigenschaft der Sprache wäre, die im gewählten Merkmalssystem berücksichtigten distinktiven Merkmale die einzig mögliche Quelle der Worterkennung darstellten und alle Merkmale und Merkmalskombinationen im selben Maße zur Phonemidentifikation beitrügen, so könnte eine Stichprobe von 2 Sprachen einen Zusammenhang trotzdem lediglich verdeutlichen, keinesfalls jedoch bestätigen oder widerlegen. 4.2.3. Kombinationsmöglichkeiten von Phonemen Ähnlich, wie nicht alle möglichen Merkmalskombination als Phoneme in eine Sprache eingehen, so können auch Phoneme nicht in beliebiger Weise zur Bildung höherer Einheiten kombiniert werden. Auch hier spielen vermutlich unter anderem physiologische Gründe eine Rolle: der Kontrast zwischen zwei benachbarten Phonemen muss deutlich wahrnehmbar sein, während die Sequenzen artikulierbar bleiben müssen (vgl. Art. Nr. 12). Als Sequenz lassen sich dabei verschiedene sprachliche Einheiten untersuchen, die durch Aneinanderreihung von Phonemen entstehen, seien es Konsonantencluster, Silben, Morpheme oder auch Wörter. Redundanz entsteht bei der Zusammensetzung von Phonemen zu Sequenzen auf vielfältige Weise: Zum einen kommen nicht alle aus einem gegebenen Phoneminventar denkbaren Phonemkombinationen tatsächlich vor. Die tatsächlich vorkommenden haben jeweils unterschiedliche Auftretenswahrscheinlichkeiten, und sie können positionsabhängig sein (manche Konsonantenverbindungen existieren nur am Wortende, andere nur am Anfang). Darüber hinaus können Abhängigkeiten zwischen diskontinuierlichen Strukturen existieren, wie man sie zum Beispiel im Falle der Vokalharmonie vorfindet. Da die meisten der genannten Abhängigkeiten in anderen Artikeln ausführlich behandelt werden, soll an dieser Stelle eine wiederholte Darstellung entfallen. Neben den dort vorgestellten Methoden gibt es noch einen anderen Ansatz, die Strukturen, die in einer Sprache aus einem gegebenen Phoneminventar gebildet werden können, zu untersuchen. Betrachtet man zwei in einer Kette aufeinanderfolgende

222

II. Gebiete und Phänomene: Phonologie / Fields and phenomena: phonology

Phoneme, deren allgemeine Auftretenswahrscheinlichkeiten jeweils pi und pj betragen, so stellt sich heraus, dass die Wahrscheinlichkeit, mit der Phonem j auf Phonem i folgt, nicht einfach dem Produkt der beiden Einzelwahrscheinlichkeiten entspricht. Dies wäre der Fall, wenn es sich um unabhängige Ereignisse handelte. In dem oben erwähnten Beispiel einer Sprache, die jeweils nur die Sequenzen /ab/ und /cd/ enthält, während die relativen Häufigkeiten der einzelnen Phoneme jeweils 0,25 betragen, müsste K wären die beiden Positionen in den Sequenzen unabhängig voneinander K die Wahrscheinlichkeit für das Auftreten der Sequenz p (a, b) Z 0,25 * 0,25 Z 0,125 sein. Sie wäre damit genauso hoch wie die Wahrscheinlichkeit einer Sequenz /ac/. Tatsächlich ergibt sich die Wahrscheinlichkeit für die Sequenz /ab/ aus der Wahrscheinlichkeit, dass /a/ an erster Stelle steht, und der bedingten Wahrscheinlichkeit, dass /b/ auf /a/ folgt, die in diesem Fall deutlich höher als erwartet ist. Damit ist auch der mit /b/ verbundene Informationsgehalt wesentlich geringer (im vorliegenden Fall trägt /b/ überhaupt keine Information). Die gleiche Überlegung könnte man im übrigen auch in umgekehrter Richtung anstellen, wenn man beobachtet, wie viele mögliche Vorgänger ein Element an einer Position hat. Wenn man nun einen sprachlichen Ausdruck als Aneinanderreihung von Phonemen auffasst und an jeder Stelle dieser Kette die Anzahl möglicher Nachfolgeelemente bestimmt, so ergibt sich folgender Zusammenhang: Innerhalb eines Morphems nimmt die Anzahl möglicher Nachfolger und damit die hinzukommende Information von Position zu Position ab, während sie an den Morphemgrenzen wieder ansteigt. Mit einem auf dieser Erkenntnis beruhenden Verfahren von Harris (1954) lässt sich daher sehr zuverlässig eine automatische Segmentierung einer Phonemkette in Morpheme vornehmen: Eine Morphgrenze befindet sich immer da, wo ein plötzlicher Anstieg in der Anzahl möglicher Nachfolger bzw. der Entropie zu verzeichnen ist (Harris 1954, 146; Meyer-Eppler 1965, 423). Auf eine damit eng verwandte Weise lassen sich sprachliche Konstruktionsmechanismen und die dabei auftretenden Restriktionen mit Hilfe von Markov-Prozessen beschreiben. Eine ausführliche Darstellung dieses Verfahrens ist im Rahmen dieses Beitrags nicht möglich, daher sei an dieser

Stelle lediglich auf die Arbeiten von Köhler (1983, 134) und Meyer-Eppler (1965, 89) verwiesen.

5.

Phoneminventar und Länge

5.1. Wortlänge Während sich die Anzahl der theoretisch möglichen Phoneme aus der Anzahl der Merkmale leicht errechnen lässt, ist die Anzahl der Wörter, die sich aus einem gegebenen Phoneminventar bilden lassen, hingegen unbegrenzt, da Wörter ja theoretisch eine beliebige Länge annehmen können. Nun lässt sich die Vermutung aufstellen, dass Sprachen, die über ein geringeres Phoneminventar verfügen, dies möglicherweise über die Wortlänge kompensieren oder dass umgekehrt reicher bestückte Phoneminventare kürzere Wörter ermöglichen. Auch bestimmte Sprachwandelprozesse scheinen eine solche Beziehung nahezulegen: so wurde aus dem Lateinischen fames im Französischen faim; eine Expansion des Vokalsystems scheint mit Konsonanten- oder Silbenwegfall einher zu gehen. Den umgekehrten Prozess kann man bei der Übernahme von Fremdwörtern in ein abweichendes Phonemsystem beobachten: z. B. werden die französischen Nasalvokale im Deutschen durch eine Kombination inventareigener Phoneme ersetzt, Balkon wird bspw. als [balkoη] realisiert. Köhler (1986, 53 f.) hat diesen plausiblen Zusammenhang in ein synergetisches Modell der Lexik integriert. Demnach wirken neben der Phonemzahl noch die Lexikongröße und die notwendige Übertragungssicherheit auf die durchschnittliche Wortlänge. Je mehr lexikalische Einheiten benötigt werden, desto länger müssen die Wörter bei konstantem Phoneminventar durchschnittlich sein. Und auch die Übertragungssicherheit, gleichbedeutend mit der Redundanz, die durch einen geringen Ausnutzungsgrad von Kombinationsmöglichkeiten zur Bildung lexikalischer Einheiten entsteht, wirkt in Richtung auf eine Wortverlängerung. Darüber hinaus können auch suprasegmentale Eigenschaften von Sprachen, also Töne oder beweglicher Akzent, zu einer Verringerung der durchschnittlichen Wortlänge beitragen. Dabei ist zu beachten, dass es sich hierbei um stochastische Zusammenhänge, nicht um deterministische Gesetze handelt, die sich auf einzelne Wörter anwen-

223

15. Zusammenhänge

l Z gA RedZ pKP

(11)

Dabei ist l die durchschnittliche Wortlänge, g die Lexikongröße, Red die notwendige Redundanz und p die Phonemanzahl. Ein Vergleich von 10 Sprachen (Nettle 1995, 359 f.) ergab eine Bestätigung des Zusammenhangs zwischen Phoneminventar und mittlerer Wortlänge, d. h. je weniger Phoneme, desto größer die durchschnittliche Wortlänge. Darüber hinaus prüfte der Autor die Angemessenheit von Köhlers Modell. Dabei nahm er die erforderliche Übertragungssicherheit als konstant und die Lexikongröße als vernachlässigbar an, woraus sich folgendes vereinfachtes Modell ergibt, in dem L die mittlere Wortlänge und S die Phonemanzahl darstellt: L Z a Sb

Tab. 15.1: Phonemanzahl (nach Nettle 1995, 362) Sprache

S

Hawaiianisch 18 Nahuatl 23 Türkisch 28 Italienisch 30 Georgisch 34 Hindi 41 Deutsch 41 Mandarin 53 Thai 76 !Xu˜ 119

(S)

und

Wortlänge

L(emp.)

LZ29.35*SK0,43

7,08 8,69 6,44 7 7,74 5,57 6,44 5,4 3,65 4,02

8,47 7,62 7,00 6,80 6,44 5,94 5,94 5,32 4,56 3,76

10

durschn. Wortlänge

den lassen, um beispielsweise eine konkrete Wortlänge vorauszusagen. Den Zusammenhang zwischen Phonemanzahl, Lexikongröße und Übertragungssicherheit formuliert Köhler durch folgende Gleichung, wobei der mögliche Einfluss suprasegmentaler Eigenschaften unberücksichtigt bleibt:

9 8 7 6 5 4 3 2 0

20

40

60

80

100

120

140

Phonemzahl

Abb. 15.1: Phonemanzahl und Wortlänge (nach Nettle 1995, 365)

(12)

Eine Anpassung dieser Formel an die Daten ergab gute Ergebnisse. Eine Gegenüberstellung der empirischen und der theoretischen Werte für die Wortlänge findet sich in Tab. 15.1 und Abb. 15.1. Der Schwierigkeit, im Mandarin-Chinesischen eine dem Wort äquivalente Einheit zu bestimmen, begegnete der Autor, indem er die in einem englisch-chinesischen Wörterbuch für die englischen Begriffe angegebenen Übersetzungen benutzte, was für einen Teil des Testmaterials 2-silbige Ausdrücke ergab. Vokalquantität und Töne wurden behandelt, indem sämtliche möglichen Vokal-Ton/ Quantität-Kombinationen als eigene Phoneme gewertet wurden. Bei dieser Vorgehensweise ist anzumerken, dass auf diese Weise die möglicherweise getrennt zu analysierenden Zusammenhänge zwischen Phonemanzahl und Wortlänge einerseits und suprasegmentaler Komplexität und Wortlänge andererseits zusammengefasst werden. Zwar scheinen die vorgefundenen Ergebnisse die Hypothese zu unterstützen, dennoch ist Vorsicht angebracht: die hier untersuchten Sprachen unterscheiden sich neben der Phonemanzahl durch bei weitem mehr

Faktoren. Zum jetzigen Zeitpunkt ist nicht bekannt, ob es nicht andere sprachliche Eigenschaften gibt, die sich direkt oder indirekt systematisch auf die Wortlänge auswirken. Ebenso wenig darf man diesen Zusammenhang als zwanghaft betrachten: die Kodierung von Inhalten, um die es hierbei letztendlich geht, kann sich ebenso gut syntaktischer Mittel bedienen. Daneben ist unklar, inwieweit nicht auch ein erhöhtes Aufkommen von homophonen Ausdrücken tolerierbar wäre. Eine weitere Möglichkeit, ein „zu geringes“ Phoneminventar zu kompensieren, könnte auch in der Verminderung der Redundanz bei der Wortbildung bestehen. In diesem Zusammenhang stellten Schultz/Altmann folgende Hypothese auf: „Je mehr Phoneme eine Sprache hat, desto mehr leere Zellen kann sie zulassen bzw. desto stärkere Präferenzen kann sie bilden“ (Schultz/Altmann 1988, 31). Mit „leere Zellen“ sind hier von Sprachen nicht ausgenutzte mögliche Phonemkombinationen gemeint. 5.2. Morphemlänge Des weiteren stellt sich die Frage, ob sich derselbe Zusammenhang zeigt, wenn man

224

II. Gebiete und Phänomene: Phonologie / Fields and phenomena: phonology

statt der Wortlänge die durchschnittliche Morphemlänge von Sprachen betrachtet. Hockett, der einen solchen Zusammenhang für wahrscheinlich hält, illustriert ihn indes nur sehr unkonkret: „In Hawaiian and the other Polynesian languages, only a handful of morphemes consist of a single syllable, most consist of two, and a fair number of more than two. At the opposite extreme, in some of the languages of the Caucasus practically every successive phoneme in a word is a separate morpheme.“ (Hockett 1958, 93). Maddieson (1984, 7 ff.) hält demgegenüber fest, dass bei Sprachen mit wenigen Segmenten keine Anzeichen mangelnder kombinatorischer Möglichkeiten wie z. B. „unmanageably long morphemes“ zu finden seien, das Hawaiianische habe beispielsweise eine durchschnittliche Morphemlänge von 3,5 Phonemen. Offensichtlich tragen solcherart isoliert vorgebrachten Einzelfälle wenig zur Überprüfung einer Hypothese bei. Tatsächlich könnte es ja sein, dass Sprachen mit wenigen Phonemen eigentlich keine überdurchschnittlich langen Morpheme bilden. Da auch hier die benötigte Redundanz „eingebaut“ würde, wäre die Konsequenz der geringen Phonemanzahl auf dieser Ebene zunächst eine geringere Anzahl der gebildeten Morpheme. Um diese zu kompensieren, würden dann erst bei der Wortbildung längere Ketten von Morphemen benötigt. Eine Alternative besteht eben darin, dass ein geringes Phoneminventar bereits durch die Morphemlänge ausgeglichen wird. Durch die Bestimmung der Wortlänge unmittelbar als Anzahl der Phoneme werden dagegen beide Möglichkeiten gleichermaßen erfasst, ohne dass man sagen könnte, auf welcher Ebene genau sich der Ausgleich abspielt. Für eine Sprache mit kleiner Phonemanzahl könnten sich also u. a. folgende Möglichkeiten anbieten: (a) Je geringer die Phonemanzahl, desto kleiner die daraus gebildete Anzahl an Morphemen, desto größer die durchschnittliche Wortlänge. (b) Je geringer die Phonemanzahl, desto größer die durchschnittliche Morphemlänge, desto kleiner die durchschnittliche Wortlänge. Dies stellt die untersuchte Beziehung in einen interessanten Zusammenhang mit dem Menzerathschen Gesetz (Menzerath 1954,

101; Altmann 1980, 1 f. vgl. Art. Nr. 47), welches für verschiedene sprachliche Subsysteme einen inversen Zusammenhang zwischen der Konstrukt- und der Konstituentenlänge postuliert („Je größer das Ganze, um so kleiner die Teile!“ (Menzerath 1954, 101)). Auf den vorliegenden Fall bezieht sich die spezielle Hypothese „Je größer die durchschnittliche Wortlänge (in Anzahl der Morpheme), desto kleiner die durchschnittliche Morphlänge (in Anzahl der Phoneme)“, die bereits empirisch überprüft und bestätigt werden konnte (Gerlach 1982, 95; Krott 1996, 29). Menzerath selbst führte als Begründung für den Zusammenhang an, dass das „Ganze“ überschaubar gehalten werden müsse, so dass also Komplexität (im Sinne von Länge) auf einer Ebene ausgeglichen wird durch Einfachheit auf einer anderen. Die Interpretation bzw. Herleitung des Zusammenhangs zwischen Phonemanzahl und Wortlänge ist dem sehr ähnlich: die Einfachheit, die sich aus einer geringen Phonemzahl ergibt, erfordert eine erhöhte Komplexität (Länge) auf einer anderen Ebene. Es wäre also sehr interessant, folgende Zusammenhänge an verschiedenen Sprachen zu untersuchen und zu vergleichen: (a) Phoneminventar K durchschnittliche Morphlänge (b) Phoneminventar K Morphinventar (c) durchschnittliche Morphlänge K durchschnittliche Wortlänge 5.3. Phoneminventar K Suprasegmentalia Die Frage, ob ein Mangel an Segmenten durch die Phonologisierung suprasegmentaler Eigenschaften kompensiert werden kann, untersuchte Maddieson (1984, 20 ff.) anhand von jeweils 28 Sprachen mit besonders niedriger (! 20) und besonders hoher (O 45) Phonemanzahl. Er erwartete, dass die Sprachen mit kleinem Phoneminventar besonders häufig distinktiven Gebrauch von suprasegmentalen Möglichkeiten wie kontrastivem Akzent oder Tönen machen. Die Ergebnisse seines Tests scheinen der Hypothese genau zu widersprechen: Sprachen mit kleiner Phonemanzahl weisen weniger häufig kontrastiven Akzent und Tonsysteme auf als die Sprachen mit besonders hoher Phonemanzahl. Die Ergebnisse sind in Tabelle 15.2 dargestellt (das ,?‘ bei der Eigenschaft „pitch accent“ wurde aus dem Original übernommen und ist dort nicht kommentiert). Der Autor zieht aus dem Ergebnis fol-

225

15. Zusammenhänge Tab. 15.2: Inventarumfang und suprasegmentale Eigenschaften (nach Maddieson 1984, 20) Languages with small segment inventory (! 20)

Languages with large segment inventories (O 45)

stress contrastive stress predictable stress pitch accent (?) no stress inadequate data

6 7 2 5 8

8 9 2 4 5

2 2 22 2

6 4 15 5

Tone complex tone systems simple tone systems no tones inadequate data

genden Schluss: „The overall tendency appears once again to be more that complexity of different kinds goes hand in hand, rather than for complexity of one sort to be balanced by simplicity elsewhere.“ (Maddieson 1984, 21). Andererseits muss man beachten, dass es sich hierbei um eine völlig andere Art von Kompensationshypothese handelt, die sich im Gegensatz zum Zusammenhang zwischen Inventar und Morph-/Wortlänge nicht zwischen unterschiedlichen Sprachebenen abspielt, sondern einfach die Zusammensetzung des Inventars bedeutungsunterscheidender Elemente betrifft. Für die Bildung höherer Einheiten spielt es zwar eine Rolle, wie viele Einheiten in distinktiver Funktion eingesetzt werden, es spielt allerdings keine Rolle ob es sich dabei um segmentale oder um suprasegmentale Einheiten handelt, so dass beide Möglichkeiten bezüglich dieser Funktion äquivalent sind. Im vorliegenden Fall könnte man ebenso gut die Hypothese aufstellen, dass suprasegmentale Unterscheidungsmöglichkeiten aus irgendwelchen artikulatorischen oder perzeptorischen Gründen erst dann zum Einsatz kommen, wenn die segmentalen Möglichkeiten ausgeschöpft sind. 5.4. Akzent K Wortlänge Den von Köhler angedeuteten Einfluss des freien Akzents auf die Wortlänge untersuchte Kempgen (1990, 115 f.). Auch der freie Akzent ist dabei lediglich als funktionales Äquivalent zur Bereitstellung bedeutungsunterscheidender Ressourcen auf segmentaler Ebene zu betrachten. Wie der Autor anmerkt, ist es sehr schwierig, Sprachen

zu finden, bei denen man ggf. gefundene Unterschiede in der durchschnittlichen Wortlänge eindeutig dem Vorhandensein oder dem Fehlen eines freien Akzents zuschreiben könnte. Insbesondere sollten die untersuchten Sprachen eine möglichst ähnliche Phonemanzahl aufweisen, da diese ja möglicherweise systematischen Einfluss auf die Wortlänge ausübt. Als in diesem Sinne besonders geeignet erwiesen sich die beiden Sprachen Bulgarisch und Makedonisch, da sie durch ihre enge Verwandtschaft ein sehr ähnliches Phoneminventar aufweisen und sich in erster Linie durch das Vorhandensein eines freien Akzents im Bulgarischen gegenüber einem festen Wortakzent im Makedonischen unterscheiden. Untersucht wurde, ob das Bulgarische signifikant kürzere Wörter als das Makedonische bildet. Die Wortlänge wurde dabei sowohl in Silben als auch in Graphemen gemessen. Für die silbische Wortlänge stellte sich kein nennenswerter Unterschied in den beiden Sprachen heraus. Bei der in Graphemen gemessenen Länge ergab sich, dass das Bulgarische entgegen den Erwartungen etwas längere Wörter bildet als das Makedonische. Als mögliche Begründung führt der Autor an, dass man analog zum Russischen für das Bulgarische annehmen könne, dass der freie Akzent weniger zur Bildung lexikalischer Minimalpaare als vor allem grammatisch genutzt werde. Nur in ersterem Fall könnte man überhaupt annehmen, dass sich ein merklicher Einfluss auf die Wortlänge ergibt. Darüber hinaus gibt der Autor zu bedenken, dass das Vorhandensein eines freien Akzents nur soviel leistet wie ein zusätzliches Phonem und man

226

II. Gebiete und Phänomene: Phonologie / Fields and phenomena: phonology

nicht erwarten kann, dass ein Phonem mehr oder weniger bereits einen deutlichen Einfluss auf die Wortlänge ausübt.

6.

Literatur (in Auswahl)

Altmann, Gabriel (1980), Prolegomena to Menzerath’s law. In: Glottometrika 2. (Hrsg. R. Grotjahn). Bochum: Brockmeyer, 1K10. Altmann, Gabriel/Lehfeldt, Werner (1980), Einführung in die Quantitative Phonologie. Bochum: Brockmeyer. Gerlach, Rainer (1982), Zur Überprüfung des Menzerathschen Gesetzes im Bereich der Morphologie. In: Glottometrika 4. (Hrsg. W. Lehfeldt/ U. Strauß). Bochum: Brockmeyer, 95K102. Grassegger, Hans (1977), Merkmalsredundanz und Sprachverständlichkeit. Hamburg: Buske. Greenberg, Joseph H. (1966), Language Universals. The Hague: Mouton. Greenberg, Joseph H./Osgood, Charles E./Saporta, Sol (1965), Language Change. In: Psycholinguistics. A Survey of Theory and Research Problems. (Hrsg. Ch. E. Osgood/T. A. Sebeok). Bloomington: Indiana University Press. Harris, Zelig S. (1954), Distributional Structure. In: Word 10, 146K162. Hockett, Charles F. (1958), A Course in Modern Linguistics. Toronto: McMillan. Kempgen, Sebastian (1990), Akzent und Wortlänge: Überlegungen zu einem typologischen Zusammenhang. In: Linguistische Berichte 26, 115K 134.

Köhler, Reinhard (1983), Markov-Ketten und Autokorrelation in der Sprach- und Textanalyse. In: Glottometrika 5 (Hrsg. R. Köhler/J. Boy). Bochum: Brockmeyer, 134K167. Köhler, Reinhard (1986), Zur linguistischen Synergetik: Struktur und Dynamik der Lexik. Bochum: Brockmeyer. Krott, Andrea (1996), Some remarks on the relation between word length and morpheme length. In: Journal of Quantitative Linguistics 3, 29K37. Kucera, Henry/Monroe, George K. (1968), A comparative quantitative phonology of Russian, Czech, and German. New York, American Elsevier Pub. Co. Lehfeldt, Werner (1975), Die Verteilung der Phonemanzahl in den natürlichen Sprachen. In: Phonetica 31, 274K287. Maddieson, Ian (1984), Patterns of sounds. Cambridge: Cambridge University Press. Menzerath, Paul (1954), Die Architektonik des deutschen Wortschatzes. Bonn: Dümmler. Meyer-Eppler, Werner (1965), Grundlagen und Anwendungen der Informationstheorie. Berlin: Springer. Nettle, Daniel (1995), Segmental inventory size, word length, and communicative efficiency. In: Linguistics 33, 359K367. Schulz, Klaus-Peter/Altmann, Gabriel (1988), Lautliche Strukturierung von Spracheinheiten. In: Glottometrika 9 (Hrsg. K. P. Schulz). Bochum: Brockmeyer, 1K47.

Sabine Weber, Landscheid-Burg (Deutschland)

III. Gebiete und Phänomene: Morphologie / Fields and phenomena: morphology 16. Quantitative Morphologie: Eigenschaften der morphologischen Einheiten und Systeme 1. 2. 3. 4. 5. 6. 7. 8. 9.

1.

Einleitung: Morphologische Einheiten und ihre Eigenschaften Häufigkeit von Morphen und Morphemen in Texten Häufigkeit von Morphen und Morphemen im Lexikon, Produktivität Morphlänge Semantische Diversifikation von Morphen Wortarten Zusammenhänge zwischen sprachlichen Eigenschaften Zusammenfassung und Ausblick Literatur (in Auswahl)

Einleitung: Morphologische Einheiten und ihre Eigenschaften

Die Morphologie als Lehre von der Struktur der Wörter (vgl. Bauer 2003, 3 ff.; Flohr/ Pfingsten 2002; Matthews 1991, 9) befasst sich mit der Form und der Bildung von Wörtern. Sie untersucht sprachliche Einheiten, die unter den vagen Begriff „Wort“ fallen (Wortformen, Wortformentoken, Wortformentypes, Lexeme, Lemmata) und kategorisiert sie (Inhaltswörter vs. Funktionswörter, offene vs. geschlossene Wortklassen, Wortarten). Für die Untersuchung der inneren Struktur werden die Bestandteile von Wortformen, die Morpheme, beschrieben und klassifiziert, und es wird erfasst, wie diese syntagmatisch kombiniert werden können. Prinzipiell wird bei der Kombination von Morphemen unterschieden zwischen den morphologischen Prozessen der Flexion und der Wortbildung, die wiederum u. a. Derivation und Komposition umfasst (Aronoff 2000). Die Quantitative Morphologie befasst sich jedoch nicht nur mit dem morphologischen Einheiten, ihren Eigenschaften und den morphologischen Prozessen, sondern auch mit Erklärungen K zum Beispiel, warum bestimmte Häufigkeitsverteilungen auftreten K und mit Zusammenhängen zwischen verschiedenen Spracheigenschaften. Da die Quantitative Morphologie sich exakter Methoden bedient, müssen ihre Einheiten hinreichend klar operationalisiert

sein. Die oben erwähnten Begriffe der morphologischen Einheiten sind aber teilweise auch innerhalb der Qualitativen Linguistik nicht eindeutig definiert. Insbesondere der Morphembegriff und die Einteilung der Morpheme in Unterklassen werden unterschiedlich gefasst. Daher wird im folgenden Abschnitt näher auf Probleme und Fragen der Definition von morphologischen Einheiten eingegangen. 1.1. Morphologische Einheiten Morpheme werden von Morphen repräsentiert, die die gleiche Bedeutung besitzen. Das für die deutsche Sprache bekannteste Beispiel sind die Morphe -e, -en, -er, -s, die Allomorphe des Pluralmorphems sind. Linke/ Nussbaumer/Portmann (2001, 69 f.) postulieren allerdings den Verzicht auf die signifiéSeite des Morphems, so dass es sich hier um synonyme Morpheme handeln würde. Es ist problematisch, Morphe(me) zu identifizieren bzw. sie im Text zu segmentieren, denn hält man sich an die Form, so gerät man an Erscheinungen wie Sandhi, liaison, Assimilationen, Portmanteu-Morphe(me) u. ä. Hält man sich an die Bedeutung, dann verliert man die Möglichkeit, Länge zu messen, die im synergetischen Regelkreis (vgl. Köhler 1986) eine wichtige Rolle spielt. Es gibt zahlreiche Methoden zur Segmentierung des Textes in Morphe(me) (vgl. Augst 1975; Flenner 1994; Greenberg 1957; Greenberg 1960; Harris 1955; Harris 1970; Kandler/Winter 1992; Klenk/Langer 1989; Langer 1991; Nida 1949) und die Zahl automatischer Segmentierungsverfahren wächst von Jahr zu Jahr. Sie liefern nie „hundertprozentige“ Resultate, was sie keineswegs disqualifiziert, sondern eher auf die Unschärfe der Morphemgrenzen hinweist. Auch Resultate, die „von Hand“ gewonnen werden, können von Forscher zu Forscherin unterschiedlich sein. Eine Zusammenfassung der Segmentierungsverfahren findet man in (Best 2001). Morpheme bzw. Morphe werden danach unterschieden, ob sie als (potentiell) freie Morphe(me), wie Haus oder die, auftreten können oder ob es sich um (obligatorisch)

228

III. Gebiete und Phänomene: Morphologie / Fields and phenomena: morphology

gebundene Morphe(me) handelt (Bauer 2003, 13). Gebundene Morpheme können Morpheme mit lexikalischer Bedeutungsfunktion (wie Schorn in Schornstein oder Kirch in Kirchplatz) oder Morpheme mit grammatischer Bedeutung, also Affixe, sein. Die Unterscheidung zwischen Affixen und freien Morphemen ist indes nicht immer einfach, und damit wird auch die Definition von Komposition und Derivation problematisch, denn für Komposita als Ergebnisse des Prozesses der Komposition gilt im Allgemeinen als differentia specifica, dass sie „aus mindestens zwei frei vorkommenden Morphemen oder Morphemkonstruktionen zusammengesetzt“ sind (Bußmann 2002, 362, 402). Hier ergibt sich allerdings das Problem, dass sich die Bedeutung einer Form in einem Kompositum von der Bedeutung der freien Form unterscheidet. Zum Beispiel betrachten Altmann/Best/Kind (1987, 132) Morphe(me) wie -freundlich, -fest und -frei als Suffixe, während Höhle (1985, 328 ff.) sie in Verbindung mit freien Morphemen bringt. Der Übergang zwischen freien und gebundenen Morphe(me)n ist von gradueller Natur bzw. die Frage, wann die Bedeutung einer Form so stark modifiziert ist, dass von einer neuen Bedeutung gesprochen werden kann, kann nicht geklärt werden; sie lässt sich nur mit Hilfe verschiedener Kriterien operationalisieren. Die Einführung von zusätzlichen Zwischenkategorien (vgl. Fleischer 1983, 70) führt lediglich zu zusätzlichen Unterscheidungsproblemen (Stepanowa/Fleischer 1985, 143 f.) und Fleischer und Barz (1995, 27 f.) vermeiden diese Kategorien daher. Die Auffassung geht hin zu einem prototypischen Affixbegriff, ggf. mit Zentrum und Peripherie (Fleischer 2000, 892) oder zur Vorstellung einer „ordinalen Skala“, auf der Morpheme mehr oder weniger die „Eigenschaft Affix“ besitzen (s. Stepanowa/Fleischer 1985, 68). Bislang gibt es aber keine eindeutigen Kriterien für die Einordnung auf dieser Skala, wie etwa die Bestimmung der Nähe der Bedeutungen von Wortbestandteilen zu den Bedeutungen der formgleichen Simplizia. Eine praktikable und einfach zu operationalisierende Lösung schlägt Rothe für das Deutsche vor: „In order to distinguish a component from affixes, prefixes or further morphological elements, we took as criterion its autonomous existence in the Ger-

man lexicon, that is, its existence as a lexeme that can also be used in isolation“ (1988, 125). Hier ist die Bedeutung der Form innerhalb der Wortbildungskonstruktion nicht mehr von Interesse, sondern lediglich die Tatsache, dass ein formgleiches Lexem existiert. Nimmt man als zusätzliches Kriterium hinzu, dass eine mehr oder weniger große semantische Modifikation zwischen Komponente und Lexem bestehen kann, dann werden gebundene Morpheme, die homonym zu freien Morphemen sind, wie zum Beispiel -ei in Kumpanei, ausgeschlossen, denn hier kann nicht mehr von semantischer Modifikation gesprochen werden. Die operationale Definition des Begriffs freies Morph(em) als autonom vorkommende Einheit im Lexikon ist damit im Vergleich zu anderen Verfahren für Untersuchungen im Bereich der Quantitativen Linguistik handhabbar. Mit ihrer Hilfe können Wortbildungskonstruktionen den Klassen Kompositum oder Affigierung zugewiesen werden. Hinsichtlich ihrer Bedeutungsfunktion zerfallen die Einheiten, die zu den Morph(em)en gezählt werden, ebenfalls unscharf in zwei Gruppen, nämlich in die lexikalischen Morph(em)e, die Entitäten der außersprachlichen Welt denotieren, und die grammatischen Morph(em)e, die die Wirksamkeit von Ableitungsprozessen (im Fall von Derivations-Affixen), grammatischen Funktionen (z. B. bei Deklinations-Affixen) und semantischen Relationen (z. B. Pronomina, Präpositionen, Konjunktionen) anzeigen. Diese Unschärfe ergibt sich durch den Übergang von Morphemen zwischen den Klassen. Lexikalische Morpheme können zu grammatischen Morphemen werden, aber auch der umgekehrte Weg ist möglich. 1.2. Eigenschaften morphologischer Einheiten Bei Morphe(me)n kann man folgende Eigenschaften beobachten und quantifizieren (die Aufzählung ist natürlich unvollständig): Häufigkeit, Länge, Kombinabilität (Distribution), Polysemie, Polytextie, derivative Produktivität, kompositionale Produktivität, Diversifikation in Grundklassen (Wortarten), Zugehörigkeit zu Flexionsparadigmen, geographische Diversifikation, soziale Diversifikation, Alter, Herkunft, konnotative Potenz, Synonymie, Grad der Schriftsprachlichkeit, Diskurseigenschaften, und viele andere, die noch zu etablieren und zu metrisie-

16. Quantitative Morphologie: Eigenschaften der morphologischen Einheiten und Systeme

ren sind und die die Morpheme gemeinsam mit Wörtern besitzen. Nur wenige davon wurden bisher in der quantitativen Forschung untersucht, man widmet sich eher der Einheit Wort (s. Art. Nr. 19; 23). Im Folgenden werden hauptsächlich Untersuchungen zu Wurzelmorphemen, Stämmen, Präfixen und Suffixen und den Flexions- und Wortbildungsprozessen, bei denen sie beteiligt sind, dargestellt. Quantitative Untersuchungen zu anderen morphologischen Einheiten und Prozessen wie Infixe, Zirkumfixe, Transfixe, unikale Morpheme, Kontamination, Rückbildung etc. liegen unseres Wissens nicht vor. Jedoch beschreibt Altmann (2002) die morphologischen Modifikationen für das Indonesische, zu denen auch Infigierung und Reduplikation gehören (s. Abschnitt 3). Zum Prozess der Abkürzung siehe jedoch Köhler (1986, 71 f.) und Zipf (1968, 30 ff.). Die folgenden Abschnitte stellen Untersuchungen zu verschiedenen Verteilungen dar. Behandelt werden zunächst die Häufigkeitsverteilungen von Morphen bzw. Morphemen. Hierbei wird jeweils zwischen Untersuchungen anhand von Texten und Korpora bzw. anhand von Wörterbüchern differenziert. Im Anschluss daran werden Untersuchungen zu Verteilungen der Morphlängen und der Funktionen einzelner Morphe zusammengefasst. Wortarten und ihre quantitativen Eigenschaften sind Gegenstand des nächsten Abschnitts. Betrachtet man Sprache vom systemtheoretischen Standpunkt aus, so lassen sich Zusammenhänge und Abhängigkeiten zwischen verschiedenen sprachlichen Eigenschaften und Größen ableiten. Relativ gut ist die Forschungslage im Bereich der Komposition und der Derivation, weniger ergiebig bei der Flexionsmorphologie. Es werden lediglich Untersuchungen behandelt, die innersprachliche Analysen betreffen, der Bereich der Sprachtypologie aufgrund morphologischer Merkmale wie zum Beispiel mit Hilfe von Indices (Greenberg 1960; Altmann/Lehfeldt 1973; Silnitsky 1993) wird nicht berücksichtigt (s. Art. Nr. 41).

2.

Häufigkeit von Morphen und Morphemen in Texten

Die Verwendungshäufigkeit von Morphemen wird zunächst einfach in einem Text oder Korpus als Zahl der Vorkommen eines

229

Morphs oder Morphems gezählt. Es ergeben sich hier, wie bei anderen höheren Einheiten, zwei Arten der Darstellung, nämlich das Frequenzspektrum und die Ranghäufigkeitsverteilung (vgl. Baayen 2001, 8 ff.; Art. Nr. 30). Zipf (1968, 256 ff.; 1972, 87 ff.) führte solche Experimente sowohl für Morphe als auch für Morpheme durch und stellte fest, dass die resultierende Verteilung der Häufigkeiten über dem Frequenzrang steiler wurde als die entsprechende Verteilung für Wörter oder noch größere Einheiten (s. Abb. 16.1). Auch die Verteilung der Frequenzklassen, also die Anzahl der Morpheme mit gleicher Häufigkeit, ist systematisch steiler als die für Wörter (Zipf 1968, 256 ff., s. Abb. 16.2). Baayen (2001, 135 ff.; Art. Nr. 17) zeigt anhand der Häufigkeiten von niederländischen Worttypes der CELEX-Datenbank (vgl. Baayen/Piepenbrock/van Rijn 1993), dass sich die Frequenzspektren von Simplizia und Ableitungen unterscheiden: Das Frequenzspektrum der Derivate mit dem Suffix -heid besitzt einen wesentlich höheren Anteil an Hapax Legomena als das Spektrum der Simplizia und lässt sich nicht mit der Yule-Simon-Verteilung erfassen. Dies führt er darauf zurück, dass hier in Wirklichkeit eine gemischte Verteilung vorliegt, da -heid zwei Unterbedeutungen besitzt: Einerseits werden mit diesem Suffix abstrakte Konzepte wie snelheid (Geschwindigkeit), waarheid (Wahrheit) und vrijheid (Freiheit) ausgedrückt. Diese Lexeme sind im Allgemeinen lexikalisiert. Andererseits werden mit -heid aber auch Wortformen gebildet, die auf Zustände referieren und anaphorisch verwendet werden. Wortformen, die sowohl anaphorisch gebraucht werden als auch auf ein abstraktes Konzept referieren, werden von dieser zweiten Klasse ausgeschlossen. Diese Verwendungsweise ist stark kontextgebunden und hat einen hohen Anteil an wenig verwendeten Wortformen, während bei den abstrakten Konzepten die Häufigkeiten im Durchschnitt größer sind. Es gelingen sehr gute Anpassungen durch gemischte Verteilungen aus einer Lognormal-Verteilung und der Yule-Simon-Verteilung bzw. aus einer Lognormal- und einer inversen Gauss-Poisson-Verteilung. Betrachtet man also die Produktivität einzelner Affixe, so muss die Semantik des Ableitungsprozesses berücksichtigt werden. Obwohl es sich bei dieser Untersuchung um die Vertei-

230

III. Gebiete und Phänomene: Morphologie / Fields and phenomena: morphology 1

10

100

1000

FA 1000 NOOTKA C

FREQUENCY

A1 A2

A1 A2 B

FB

100 B

10

1 A - RANK B - NUMBER

NA1 NA2

NB

Abb. 16.1: Verteilungen für Nootka. Rangverteilungen: A1: Morphe, A2: Morpheme, B: agglutinative Wortbildungskonstruktionen („holophrases“), Frequenzspektrum. C: theoretische Gerade a · b Z const für Wörter. Aus Zipf 1972, 80.

Abb. 16.2: Häufigkeitsklassen für französische Stamm-Morpheme. Gestrichelte Linie: ideale Kurve für Wörter. Aus Zipf 1968, Plate VII (gegenüber S. 257). Die Anzahl der Klassen ist auf der x-Achse abgetragen, die Morphemhäufigkeit auf der y-Achse.

lung von Verwendungshäufigkeiten handelt, ist zu erwarten, dass sich vergleichbare semantische Effekte auch im Lexikon niederschlagen.

Baayen (Art. Nr. 17) bietet weitere Produktivitätsmaße, die auf der Basis von Zuwachsraten für Wortkategorien in Texten gebildet werden.

16. Quantitative Morphologie: Eigenschaften der morphologischen Einheiten und Systeme

3.

Häufigkeit von Morphen und Morphemen im Lexikon, Produktivität

Tab. 16.1: Morphologische Produktivität indonesischer Stämme (nach Wimmer/Altmann 1995). Produktivität Häufigkeit Theoretische Häufigkeit NPx (nach (1)) X fx

Durch Neubildung von Stämmen, Übernahme eines Stammes in eine neue Wortart, durch Derivation und Komposition werden Morpheme zur Wortbildung verwendet und können im Lexikon in vielen Verbindungen auftauchen. Wimmer und Altmann (1995) modellieren die morphologische Produktivität als Geburts- und Todesprozess, wobei die Beteiligung eines Stammes an einer Wortbildung als „Geburt“ und der Wegfall eines Lexems als „Tod“ verstanden werden. Beim Entstehen eines neuen Wortes verlässt ein Stamm seine bisherige Produktivitätsklasse der Anzahl der lexikalisch erfassten Verbindungen und rückt in die nächst höhere Klasse auf, beim Sterben eines Lexems findet der umgekehrte Vorgang statt. Die Geburtsrate wird als λx Z (a C xc) / [b C (n K x K 1) c], die Todesrate als µx Z x / (n K x K 1) festgelegt. Hier sind a, b, c Parameter, die vorläufig aus Daten geschätzt werden. Die aus dem Modell resultierende Verteilung der Produktivität x ist die Pólya-Verteilung:

( )( ) ( ) K

Px Z

p s

K

x

q s

nKx

, x Z 0, 1, ..., n.

231

(1)

1 K s n

Diese Verteilung kann sehr gut an das Produktivitäts-Spektrum des Indonesischen (Stamm-Morpheme) angepasst werden (Wimmer/Altmann 1995; Altmann 2002), wie in Tab. 16.1 und Abb. 16.3 zu sehen ist. Die Produktivität von Affixen, d. h. ihre Häufigkeit im Lexikon, bezeichnet Altmann (2002) als „Prozedur-Produktivität“. Für die Verteilung, mit der die verschiedenen Ableitungsprozeduren in einem Lexikon verwendet werden, zählt man für jede Ableitungsklasse, wie viele Stämme dieser Ableitung unterworfen werden können. Die Rang-Frequenz-Verteilung dieser Ableitungsklassen ist Ergebnis eines Diversifikationsprozesses, es wurde jedoch bisher kein konkretes Modell vorgeschlagen. In Sprachen, bei denen eine größere Anzahl Modifikationen gleichzeitig (agglutinie-

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17K18 19K39

6970 1961 1109 622 391 250 173 99 81 44 32 14 12 6 4 1 3 3 2

6964.79 2020.46 1049.38 621.69 380.34 250.85 164.12 108.24 71.63 47.41 31.31 20.58 13.46 8.73 5.62 3.58 2.25 2.26 1.30

p Z 0.0274, s Z 0.0713, X 2 Z 14.32, FG Z 15, P Z 0.50

rend) auf das selbe Wort angewendet werden kann, lohnt es sich, das Derivationsspektrum aus dem Lexikon zu ermitteln. Dafür zählt man, wie viele Wörter ein-, zwei- und mehrfach modifiziert wurden, d. h. wie viele Affixe hintereinander an das Wort/Morphem angehängt werden. Die Verteilung der Affixzahl wurde noch nicht abgeleitet, der Vorschlag geht auf Altmann (2002, 63) zurück. Baayen/Lieber/Schreuder (1997) zeigen, dass die Erkennung und Verarbeitungsgeschwindigkeit von Stamm-Morphemen nicht von ihrer kumulierten Verwendungsfrequenz, sondern von der Größe ihrer Wortbildungsfamilie abhängt. Die Größe der Familie wurde als Lexikon-Häufigkeit gemessen. Eine Verbesserung der Antwortzeiten ergab sich auch mit steigender Verwendungshäufigkeit der flektierten Formen der Stämme in ihrer Simplex-Form, aber nicht für die kumulierte Token-Frequenz über alle Mitglieder der Wortbildungsfamilie. Diese Ergebnisse sind wichtig für Experimente, die die funktionalen Zusammenhänge der Morphemfrequenz mit anderen Größen untersuchen (s. Abschnitt 7.5), denn offensichtlich kann die kumulierte Verwendungsfrequenz nicht für jeden Frequenzeffekt im System verantwortlich gemacht werden.

232

III. Gebiete und Phänomene: Morphologie / Fields and phenomena: morphology

Abb. 16.3: Anpassung der Pólya-Verteilung an die morphologische Produktivität indonesischer Stämme (nach Wimmer/Altmann 1995).

4.

Morphlänge

Die Länge von Morphen kann sinnvoll als Anzahl von Phonemen oder Buchstaben gemessen werden. Die Längenmessung in Silben wird selten angewendet werden können, da Silben- und Morphgrenzen in der Regel nicht zusammenfallen. Für die Verteilung von Morphlängen schlägt Best (2001; s. Art. Nr. 18) die 1-verschobene Hyperpoissonverteilung vor: Px Z

axK1 b(xK1) 1F1 (1; b; a)

, x Z 1, 2, ...

(2)

Er kann sie an Daten abgeschlossener deutscher Pressetexte mit gutem Ergebnis anpassen. Weitere Modelle, die Wimmer/Köhler/ Grotjahn/Altmann (1994) und Wimmer/Altmann (1996) für die Verteilung von Wortlängen abgeleitet haben, könnten im Bereich der Stamm-Morpheme ebenfalls angemessen sein, wurden jedoch noch nicht getestet.

5.

Semantische Diversifikation von Morphen

Das Prinzip der Diversifikation (vgl. Altmann 1996, Art. Nr. 46), besagt, dass es für eine Sprecherin am ökonomischsten ist,

wenn das Lexikon einer Sprache möglichst wenig Einträge besitzt. In einem solchen Fall würden bedeutungstragende Einheiten mit möglichst vielen Bedeutungen belegt werden. Für den Hörer dagegen ist es ökonomischer, wenn jede bedeutungstragende Einheit nur eine Bedeutung besitzt. Hier liegen zwei gegensätzliche Prozesse vor, die Diversifikation und die Unifikation, wie sie bereits von Zipf (1972) durch das principle of least effort postuliert worden sind. Nach Altmann (1985, 179) tendiert die Sprecherin dazu, die Bedeutungen eines Wortes gleichmäßig zu verteilen, während der Hörer die Sprecherin dazu bringt, möglichst wenige Bedeutungen möglichst häufig zu verwenden. So entstehen charakteristische Häufigkeitsverteilungen. Ausgehend von der Annahme von Geburts- und Todesprozessen (der Bedeutungen einer Einheit der Form) leitet Altmann (1985, 179 ff.) die (verschobene) negative Binomialverteilung für die rangierte Verteilung der Bedeutungen von sprachlichen Einheiten ab: Px Z

(

)

kCxK1 k x p q , x

mit 0 ! p ! 1 ,

q Z 1Kp,

x Z 0, 1, ... kO0

Die semantische Diversifikation wirkt sich auf mehreren Ebenen aus. Auf der morphologischen Ebene betrifft die semantische Di-

233

16. Quantitative Morphologie: Eigenschaften der morphologischen Einheiten und Systeme

Tab. 16.2: Häufigkeiten der Funktionen des ungarischen Präfixes „meg-“ nach Beőthy/Altmann (1991, 61). Rang

Bedeutungsmodifikation

1 2 3 4 5 6 7 8 9

Vollendete Handlung Vollendete Handlung C völlig neue Bedeutung Vollendete Handlung C Vollendete Handlung C Sofortige Handlung Vollendete Handlung C Vollendete Handlung C Durativ

Bedeutungsmodifikation neue Bedeutung ihr Ergebnis sofortige Handlung einmalige Handlung

versifikation die Bedeutung von Affixen. Beőthy/Altmann (1984; 1991) zeigen, dass die Bedeutungen von ungarischen Präfixen im Text dem Prinzip der Diversifikation unterliegen (vgl. Tab. 16.2). Auch die Ranghäufigkeitsverteilungen der Übersetzungen ins Niederländische folgen dem Modell. Für deutsche Affixe gelingt die Anpassung mit der negativen Binomialverteilung nicht überall (Altmann/Best/Kind 1987). Unter der Annahme, dass hier mehrere Diversifikationsprozesse gleichzeitig ablaufen, lässt sich jedoch schließen, dass es sich hier um eine gemischte Verteilung handeln muss. Altmann/Best/Kind (1987) zeigen, dass die gemischte negative Binomialverteilung Px Z

(

)

kCxK1 k x p1 q1 x

C (1 K α)

(

)

kCxK1 k x p2 q2 , x Z 0, 1, ... x

mit 0 ! p ! 1 ,

q Z 1Kp,

kO0

sich tatsächlich gut an die Daten anpassen lässt.

6.

Häufigkeit

NPx

107 8 8 5 5 4 2 1 1

103,30 14,82 7,28 4,40 2,92 2,04 1,47 1,09 3,68

risierungen sind das System von Bergenholtz/Schaeder (1977) für die Wortartenklassifikation aufgrund von syntaktisch-distributionellen Kriterien und die Einteilung von Flämig (1981) für die Wortartenklassifikation aufgrund morphologischer Kriterien. 6.1. Diversifikation der Wortarten von wortartenambigen Types Diversifikationsprozesse laufen nicht nur auf der semantischen, sondern auch auf der grammatischen Ebene ab. Zum Beispiel ist die Anzahl der einzelnen Wortarten bei wortartenambigen Types unterschiedlich ausgeprägt: Dies trifft vor allem für Funktionswörter zu. Rothe (1991, 20) spricht hier von distributioneller Diversifikation. Dass ein Type mehrere Wortarten haben kann, ist ein Ergebnis des Diversifikationsprozesses der Konversion (vgl. Altmann 1996, 107 f.). Wird ein Wort bezüglich der Wortart nicht deutlich markiert, so entsteht für den Hörer ein zusätzlicher Analyseaufwand, und für die Sprecherin der Aufwand, im Kontext für Disambiguierungsmöglichkeiten zu sorgen. Diese Aufwände werden jedoch durch das „Formenrecycling“ offensichtlich aufgeho-

Wortarten

Die Frage, wie Wortarten definiert werden, kann im Rahmen dieses Artikels nicht weiter erörtert werden. Zur Geschichte und zu den unterschiedlichen Verfahren der Wortartenklassifikation vgl. Ax (1996), Bergenholtz/Schaeder (1977, 20 ff.), Cherubim (1976), Kaltz (1983), Knobloch/Schaeder (1992), Law (1995) und Robins (1986). In der Quantitatitiven Linguistik werden hauptsächlich syntaktisch-distributionelle, morphologische Verfahren oder Mischformen verwendet. Zwischen den Ergebnissen dieser Klassifikationen gibt es beträchtliche Korrelationen. Bekannte Wortartenkatego-

Tab. 16.3: Verteilung der Wortarten für das deutsche Type „groß“ (nach Steiner 2004, 93). „groß“

Rang

f (x)

nNB (x)

Adjektiv (prädikativ) Adverb Eigenname Adjektiv (attributiv) Appellativum Verbpartikel

1 2 3 4 5 6

33 9 4 2 1 1

31,51 10,08 4,35 2,04 1,00 1,02

k Z 0.59, p Z 0.46, X2 Z 0.22, FG Z 2, P Z 0.89 Anm. Verteilung der Wortarten für das deutsche Lexem „groß“. nNB (x) folgt der negativen Binomialverteilung.

234

III. Gebiete und Phänomene: Morphologie / Fields and phenomena: morphology

Altmann Fitter 2.1

Negative Binomialverteilung 36 34 32 30 28 26 24 22 20 18 16 14 12 10 8 6 4 2 0

f (x) NP (x)

1

2

3

4

5

6

f[x], NP[x]

Abb. 16.4: Anpassung der negativen Binomialverteilung an den Type groß/Groß (aus Steiner 2004, 94).

ben, denn es bietet der Sprachgemeinschaft den Vorteil, keine zusätzlichen Formen im Inventar bereithalten zu müssen. Steiner (2004, 92 ff.) zählt für das deutsche Type „groß“ im Münster-Korpus Deutsch die Verwendungshäufigkeit und rangiert die ermittelten Häufigkeiten. Als Modelle verwendet sie die negative Binomialverteilung und die gemischte negative Binomialverteilung (s. o.). Die Anpassungen sind gut (vgl. Tab. 16.3 und Abb. 16.4). 6.2. Diversifikation von Wortarten im Korpus und Lexikon Auch die Anzahl der Tokens, die zu einer Wortart gehören, diversifiziert. Erste Untersuchungen über Texte machte bereits Zipf (1968, 227). Schweers/Zhu (1991) passen die Zipf-Alekseev-Verteilung für lateinische und deutsche Texte zufriedenstellend an. Die Anpassung an chinesische Texte gelingt jedoch nicht. Für das Deutsche und das Lateinische wurde das Klassifikationssystem von Flämig verwendet, dagegen rein syntaktische Kriterien für das Chinesische. Für alle Daten gelingen jedoch Anpassungen der negativen hypergeometrischen Verteilung. Auch Best (2000) kann die Wortartenverteilungen von 23 Anzeigentexten mit dieser Verteilung erfassen. Best (1994; 1997) passt an die Wortartenverteilung von zehn deutschen Prosatexten

mit jeweils ca. 1.000 Worttokens die Funktion

yx Z

( ) ( ) bCx xK1 aCx xK1

y1 ,

x Z 1, 2, ..., k

(5)

mit a, b: Konstanten mit sehr gutem Ergebnis an. Hier wird die Verteilung in Form von Prozenten dargestellt, an die die obige Folge angepasst wird. Das Verfahren hat den Vorteil, dass bei großen Stichprobenumfängen kein ChiquadratTest, sondern der Determinationskoeffizient benutzt wird (vgl. Altmann 1993). Die Folge lässt sich leicht in eine Verteilung umwandeln. Auch hier folgt die Zuordnung der Texttokens zu den Wortartenklassen im Wesentlichen der Wortartenklassifikation von Flämig, ist also hauptsächlich morphologisch motiviert. Tab. 16.4 zeigt eine solche Häufigkeitsklassenverteilung. Ziegler (1998; 2001) passt die negative hypergeometrische Verteilung an die Wortarten brasilianisch-portugiesischer Pressetexte an. Problematisch erweist sich dabei, dass die Wortartenklassifikation der Daten nach semantischen Kriterien erfolgt und die Numeralia von der Verteilung abweichen.

16. Quantitative Morphologie: Eigenschaften der morphologischen Einheiten und Systeme Tab. 16.4: Ranghäufigkeitsverteilung der Wortarten in Brobrowskis Betrachtung eines Bildes nach Best (1994, 146). Wortart

Rang

nx

yx

yˆ

Nomen Verb Adverb Artikel Pronomen Präposition Adjektiv Konjunktion

1 2 3 4 5 6 7 8

238 168 167 158 155 125 110 98

19.52 13.78 13.70 12.96 12.72 10.25 9.02 8.04

19.52 15.73 13.55 12.09 11.02 10.20 9.54 9.00

a Z 0.4952; b Z 0.0107; D Z 0.9035 nx: absolute Häufigkeit; yx: relative Häufigkeit; yˆ: berechneter Wert; a, b: Parameter; D: Determinationskoeffizient.

Manche Konzepte werden durch Lexeme realisiert, die durch Derivation zueinander in Beziehung stehen und unterschiedliche Wortarten besitzen K z. B. das Konzept HUNGER durch die Wortarten Nomen (Hunger), Verb (hungern) und Adjektiv (hungrig). Klassifiziert man Konzept-Stamm-Kombinationen nach der Anzahl der Wortarten, die sie annehmen können, so erhält man eine Verteilung, die die Wortartendiversifikation im Lexikon widerspiegelt. Möglicherweise kann auch hier das Produktivitätsmodell von Wimmer und Altmann angewendet werden, da es sich um die Produktivität des Prozesses „Wortart-Diversifikation“ handelt. Bisher fehlen Zählungen, an denen die Hypothese überprüft werden könnte. 6.3. Korrelation von Wortarten in Texten Unter Bezugnahme auf das sogenannte Ohno-Gesetz (vgl. Mizutani 1989) untersucht Best (1998) 30 deutsche und 40 französische Texte und stellt fest, dass in mehr als zwei Drittel aller Fälle keine Korrelationen zwischen den Häufigkeiten der Wortarten bestehen. Starke Schwankungen über den Textsorten zeigen, dass es sich vor allem um stilistische Unterschiede und nicht um übersprachliche Erscheinungen handelt. Lediglich Nomina und Pronomina korrelieren überall negativ. Fasst man jedoch die Häufigkeiten der Wortarten aller 70 Texte für die Korrelationsanalyse zusammen, ergeben sich zusätzlich positive Korrelationen zwischen Pronomen und Verb sowie zwischen Substantiv und Artikel, was den Erwartungen nicht widerspricht. Multivariate statistische Methoden zur Feststellung des Zusam-

235

menhangs von zwei oder mehreren Wortarten im Text wurden von Wimmer und Altmann (2001) vorgeschlagen.

7.

Zusammenhänge zwischen sprachlichen Eigenschaften

Die synergetische Linguistik beschreibt Sprache als selbstorganisierendes und selbstregulierendes System. Dabei werden nicht nur Einheiten und Beziehungen zwischen diesen Einheiten erfasst, sondern die Eigenschaften des Systems aufgrund ihrer Funktionen innerhalb des Systems erklärt. Zahlreiche Zusammenhänge im Bereich der Lexik wurden bereits nachgewiesen (vgl. Köhler 1986; Art. 23). In der Morphologie sind viele der Zusammenhänge noch nicht empirisch überprüft worden. Dies betrifft vor allem den Bereich der Flexionsmorphologie. Durch die Datenlage im Internet werden die Möglichkeiten dazu jedoch immer besser. 7.1. Morph-Inventarumfang und Morph-Polylexie Es gibt zahlreiche Probleme bei der Zuordnung von Formen zu den Kategorien der Polysemie und der Homonymie (vgl. Schierholz 1991, Schumacher/Steiner 2002, 187 f.), so dass innerhalb der Quantitativen Linguistik häufig die Polylexie als Maß für Mehrdeutigkeit verwendet wird. Polylexie wird definiert als „die Anzahl der verschiedenen Bedeutungen, die eine lexikalische Einheit zu einem gegebenen Zeitpunkt trägt“ (Köhler 1986, 57) und operationalisiert, indem die Zahl der Wörterbucheinträge zu der betreffenden sprachlichen Einheit gezählt werden. Krott (2002, 77 f.) stellt die Hypothese auf, dass je mehr Bedeutungen ein Morph in einer Sprache durchschnittlich besitzt, desto geringer das Morph-Inventar in dieser Sprache bei konstantem Kodierungsbedürfnis ist. Dieser Zusammenhang ist bislang nicht empirisch nachgewiesen worden. 7.2. Morphem-Polylexie und Morphem-Häufigkeit in Wortbildungskonstruktionen Krott (1999; 2004, 100 ff.) untersucht den Einfluss der Polylexie auf die Wortbildungsaktivität (vgl. Barz 1988, 112), also die Häufigkeit, mit der das jeweilige Morphem als Bestandteil von Wortbildungskonstruktionen auftritt. Sie postuliert: „the frequency of

236

III. Gebiete und Phänomene: Morphologie / Fields and phenomena: morphology

a morpheme is dependent on its polysemic potential“ (Krott 1999, 58); formal ausgedrückt in der Gleichung y Z C · xG

(5)

wobei y: Häufigkeit eines Morphems, x: Anzahl der Bedeutungen, C, G: Parameter. Diese Hypothese testet Krott anhand der morphologischen Zerlegungen der deutschen Lemmata der CELEX-Datenbank. Die Häufigkeit eines Morphems wird als die Anzahl der Lemma, in denen es eine Konstituente ist, definiert. Hierbei werden also sämtliche Wortbildungskonstruktionen im Lexikon gezählt. Die Polysemie der Affixe wird operationalisiert als die Anzahl der Einträge in Kühnhold/Prell (1984). Da im Lexikon nur Lemmata untersucht werden, werden nur Derivations- nicht jedoch Flexionsmorpheme berücksichtigt. Für die Polylexie der freien Morpheme wurden die Einträge aus dem Wahrig K Deutsches Wörterbuch gezählt. Die Anpassungen sind bei Nomina, Verben und Adjektiven gut bis zufriedenstellend (vgl. Abb. 16.5). Auch für die Affixe kann die Hypothese bestätigt werden. Altmann (1989) stellt zahlreiche Hypothesen über Komposita auf. Die wohl bekannteste ist: „The greater the polylexy of a word the more compounds there are of which it is a component“ (Altmann 1989, 103).

Dieser Aspekt wurde zum erstenmal wohl von Rothe (1988) untersucht, und zwar anhand von 1.858 Lexemen, die dem Wahrig K Deutsches Wörterbuch entstammen und Bestandteil mindestens eines Kompositums in diesem Wörterbuch sind. Für die Untersuchung werden alle weiteren Komposita mit dem jeweiligen Lexem als erster Konstituente gezählt. Auch Steiner (1995) untersucht das Auftreten von freien Morphemen in Komposita, die Daten werden ebenfalls dem Wahrig entnommen, jedoch werden hier 93.614 Lexeme in die Untersuchung miteinbezogen, wobei auch die Lexeme, die in keinem Kompositum auftreten, und alle Komposita, die das jeweilige Lexem an beliebiger Stelle als Konstituente besitzen, berücksichtigt werden. Die zugrunde liegende Hypothese folgt aus synergetischen Überlegungen in Analogie zum Zusammenhang zwischen Polylexie und Phrasenlänge (vgl. Köhler 1990) und lautet KA Z mPl k,

(6)

wobei Ka: Kompositionsaktivität, Pl: Polylexie, k: Anteil der Komposition an den Möglichkeiten zur Spezifikation, m: mittlere Kompositionsaktivität für Lexeme mit der Polylexie 1. Die Anpassungen an Nomina, Verben und Adjektiven sind gut und die Hypothese

Abb. 16.5: Abhängigkeit der Morphemhäufigkeit von der Polylexie deutscher Verben aus Krott (1999, 63).

16. Quantitative Morphologie: Eigenschaften der morphologischen Einheiten und Systeme

kann akzeptiert werden. Gegenüber den Ergebnissen von Rothe zeigt sich, dass m wesentlich kleiner ist, da 82.598 Lexeme die Kompositionsaktivität 0 besitzen, also in keinem Kompositum auftreten. k dagegen ist größer, was damit zusammenhängen kann, dass alle Vorkommen von Lexemen in Komposita berücksichtigt werden. 7.3. Wortbildungsaktivität und Häufigkeit von Morph-Types Krott (2002, 107 ff.) postuliert, dass zwischen der Anzahl eines Morph-Types im Lexikon und seines mindestens einmaligen Auftretens in einem Korpus (der MorphLexType-Frequenz) ein Zusammenhang besteht und weist dies anhand der CELEXDatenbank für die Sprachen Englisch, Deutsch und Niederländisch nach. Bei Krott ist der Zusammenhang zwischen Polylexie und der Häufigkeit von Morphtypes in Texten indirekt über die Wortbildungsaktivität. Auch Steiner (2002, 218 f.) geht davon aus, dass dieser Zusammenhang indirekt ist, wobei für den Zusammenhang zwischen Polylexie und Kompositionsaktivität das Spezifikationsbedürfnis maßgeblich ist und für den Zusammenhang zwischen Kompositionsaktivität und der Morph-LexType-Frequenz (hier als TextLk-Aktivität bezeichnet) das Anwendungsbedürfnis beeinflussend wirkt (vgl. Abb. 16.6). Sie kann die Hypothese aufgrund zufriedenstellender Anpassungen an Textdaten nachweisen.

Abb. 16.6: Zusammenhang zwischen Kompositionsaktivität und TextLk-Aktivität. Aus Steiner (2002, 221).

7.4. Wortbildungsaktivität und Häufigkeit im Text von Morph-Tokens Je mehr Wortbildungskonstruktionen es mit einem bestimmten Morph gibt, desto häufiger kommen diese, und damit auch das Morph, in Texten vor. Außerdem ist für diese Häufigkeit auch das Anwendungsbe-

237

dürfnis relevant, also das Bedürfnis, ein Wort zu verwenden, das das jeweilige Morph enthält. Demgegenüber steht allerdings das Bedürfnis nach Variabilität des Ausdrucks (Var) und auch das Vorhandensein etwaiger Synonyme eines Morphs, die die Wahrscheinlichkeit seines Auftretens in Wortbildungskonstruktionen einschränken (vgl. Krott 2002, 90 ff.). Andererseits existiert auch das Bedürfnis nach der Vereinheitlichung der Benennung, die Invarianz (Inv), das zusammen mit dem Anwendungsbedürfnis positiv auf die Häufigkeit wirkt. Abb. 16.7 stellt diese Zusammenhänge dar.

Abb. 16.7: Die Abhängigkeiten der Häufigkeit von Morph-Token im Text (aus Krott 2002, 92).

Krott (2002, 110 f.) weist den Zusammenhang zwischen Morph-Types und Morph-Token für die Sprachen Deutsch, Englisch und Niederländisch nach. Dabei werden die Frequenzangaben aus der CELEX-Datenbank verwendet. 7.5. Morphlänge und Morphhäufigkeit Aufgrund des Köhlerschen Regelkreises (vgl. Köhler 1986, 69 f.) postuliert Krott (2002, 92), dass die Morphlänge mit der wachsenden Frequenz abnimmt. Krott (2002, 114 ff.) überprüft diese Hypothese für die Sprachen Deutsch, Englisch und Niederländisch; die Morphlänge wird dabei in Graphemen gemessen. Die Anpassungen sind jedoch nicht gut. Möglicherweise ist der Zusammenhang nicht nachweisbar, weil die Morphe für die untersuchten Sprachen sehr kurz sind. Bei Sprachen mit einem hohen Maß an Agglutination müssten klarere Ergebnisse erzielt werden können. Weiterhin ist es möglich, dass die Operationalisierung der Morphhäufigkeit gemäß den Ergebnissen von Baayen/Lieber/Schreuder (1997) anders erfolgen muss.

238

III. Gebiete und Phänomene: Morphologie / Fields and phenomena: morphology

7.6. Wort-/Morphlänge und Wortbildungsaktivität Hammerl (1990) untersucht anhand der Daten eines polnischen Textwörterbuchs Altmanns (1989, 104) Hypothese zum Zusammenhang zwischen Wortlänge und Kompositionsaktivität: „the shorter a word, the more frequently it occurs in compounds“. Er beschränkt sich dabei auf die Grundwörter der Komposita und kann den postulierten Zusammenhang nachweisen. Krott/Schreuder/Baayen (1999) generalisieren die Altmannsche Hypothese für komplexe Lexeme und weisen den Zusammenhang für die niederländischen und die deutschen Komposita der CELEX-Datenbank sowie für niederländische Wortbildungskonstruktionen mit dem Suffix -heid nach. Entsprechende Untersuchungen zur Ebene der Morphe gibt es noch nicht. 7.7. Wort-/Morphhäufigkeit und Wortbildungsaktivität Altmann (1989; 2002, 76) stellt die Hypothese auf: „Je häufiger ein Wort, desto mehr Komposita bildet es.“ Dies hängt damit zusammen, dass ein Wort, das oft vorkommt, mehr Bedeutungen annimmt als Wörter, deren Frequenz klein ist. Hier besteht also ein mittelbarer Zusammenhang über die Polylexie. Krott/Schreuder/Baayen (1999, 910) generalisieren für komplexe Lexeme: „The higher the average word frequency for a given word base type, the higher the chance of it being overrepresented in complex words.“ Sie fassen also alle Simplizia, alle Komposita, alle Derivate als jeweils eine Klasse zusammen und weisen für diese Klassen den Zusammenhang für die deutschen und niederländischen Komposita der CELEX-Datenbank nach. 7.8. Das Menzerathsche Gesetz für Wortbildungskonstruktionen Die relativ kurzen Fugenmorpheme des Deutschen als Spezialfall von Interfixen dienen der Markierung von Wortbildungsprozessen (vgl. Krott/Schreuder/Baayen 2001), verringern also den Dekodierungsaufwand. Sie verlängern Wortbildungskonstruktionen (gemessen in Morphemen) und verkürzen so die durchschnittliche Morphemlänge. Dies ist konform mit dem Menzerathschen Gesetz für die Wort-Morphem-Ebene: Der Zusammenhang zwischen der Wortlänge,

die in Morphen bzw. Morphemen gemessen wird und der Länge von Morphen/Morphemen, gemessen in Phonemen bzw. Graphemen, ist invers. Er wurde von Gerlach (1982) und Krott (1996) nachgewiesen (vgl. Art. Nr. 47). Für den Spezialfall der Komposita formuliert Altmann (1989): „the longer the compound, the shorter its components“. Krott/Schreuder/Baayen (1999) stellen fest, dass die Konstituenten von niederländischen und deutschen Komposita weitaus häufiger Simplizia sind als erwartet und andererseits die Zahl der Komposita, die Bestandteil von Komposita sind, stark unter dem Erwartungswert liegt. Auch die Hypothese, die sich ableiten lässt: „the number of compounds decreases with their increasing length“ (Altmann 1989, 104) kann leicht nachgewiesen werden. 7.9. Weitere Hypothesen über Komposita Altmann (1989; 2002) stellt zu Komposita zahlreiche Hypothesen auf, die zum Teil bereits erwähnt wurden. Im Folgenden werden weitere Hypothesen Altmanns zur Beziehung zwischen Komposita und Bedeutung beschrieben: „Die Zahl der Komposita in einer Sprache (die Komposita hat) ist proportional zum Maß der ,semantischen Korrespondenz‘ der Komponenten mit dem Kompositum.“ (Altmann 2002, 71). Dies begründet Altmann mit dem Bedürfnis nach Minimierung des Gedächtnisaufwandes, das bewirkt, dass die Bedeutungen der Komponenten von Komposita Bestandteile der Bedeutung des jeweiligen Kompositums sind. Altmann sieht Probleme bei der Überprüfung dieser Hypothese, weil es bei zweigliedrigen Komposita nur drei Möglichkeiten der semantischen (Nicht-)Übereinstimmung gibt. Möglich wäre jedoch die Überprüfung der Stärke dieser Korrespondenz mit Hilfe von semantischen Netzen wie WordNet (vgl. Fellbaum 1998). Dann könnte gemessen werden, wie nah die Bedeutungen innerhalb des Netzes zueinander sind. Ebenso denkbar wäre dies bei der folgenden Hypothese: „Je länger ein Kompositum (in Anzahl der Stämme), desto größer seine semantische Korrespondenz mit den Komponenten.“ (Altmann 2002, 72). Da Komposition meist zu einer Spezifikation führt, besitzt ein Kompositum meist weniger Bedeutungen als seine Komponente, was zu der Hypothese führt: „Je länger ein

16. Quantitative Morphologie: Eigenschaften der morphologischen Einheiten und Systeme

Kompositum, desto weniger Bedeutungen hat es.“ (Altmann 2002, 75). Zur Kotextualität (Polytextie) leitet Altmann (2002, 76) anhand des Köhlerschen Regelkreises ab: „Je größer die Kotextualität eines Wortes, desto mehr Komposita bildet es“ und aufgrund des Zusammenhangs mit der Polylexie „Je länger ein Kompositum, desto kleiner ist seine Kotextualität.“ Da die Wahrscheinlichkeit eines Wortes, als Konstituente eines neuen Kompositums aufzutreten, mit der Zeit steigt, kann gefolgert werden: „Je älter ein Wort, desto mehr Komposita bildet es.“ Das Netz der Hypothesen, die man über Komposita aufstellen und prüfen kann, wird von Altmann (2002) wie folgt dargestellt (s. Abb. 16.8). Polylexie Ebene der Komposita

Länge

Länge Ebene der Komponenten Polytextie

Polytextie Semantische Korrespond.

Zahl d. Komp.

Polylexie Häufigkeit

Alter

Abb. 16.8: Das Netz der Hypothesen über Komposita (Altmann 2002, 78).

7.10. Flexionsmorpheme Die Zusammenhänge zwischen Flexionsmorphemen und anderen sprachlichen Einheiten waren bislang nur selten Gegenstand quantitativ-linguistischer Untersuchungen: Těšitelová (1986; 1992, 22; 134 ff.; 1996) untersucht jedoch für die häufigsten Nomina des Tschechischen die Frequenzen der morphologischen Ausprägungen (Kasus, Numerus) in Texten und die Zusammenhänge zwischen Numerus und Kasus von Nomina mit semantischen Rollen sowie die statistischen Zusammenhänge zwischen grammatischen und semantischen Funktionen. Diese Untersuchungen sind rein deskriptiv; außerdem umfassen sie jeweils nur einen sehr kleinen Anteil des gesamten Vokabulars. Zusammenhänge von Kasus und Genus mit semantischen Eigenschaften sind vor allem im Bereich der Psycholinguistik und kognitiven Linguistik untersucht worden (vgl. z. B. Mills 1981, Zubin/Köpcke 1986). Bybee (1985) untersucht den Zusammenhang zwischen semantischer Relevanz und Flexionsbzw. Derivationsmorphemen und ihrer Anordnung im Lexem mit sprachtypologischer Methodik (vgl. Art. Nr. 41).

8.

239

Zusammenfassung und Ausblick

Das Gebiet der Morphologie ist innerhalb der Quantitativen Linguistik bei weitem nicht so gut erforscht wie etwa das der Lexik. Dennoch weisen die dargestellten Untersuchungsbereiche darauf hin, dass für morphologische Einheiten ebenso sprachliche Gesetze anzunehmen sind, wie für die lexikalischen Größen. Zum Großteil sind es die gleichen Gesetze, da hier auch die gleichen Systembedürfnisse wirken wie auf der Ebene der Lexik. Vor allem im Bereich der Flexionsmorphologie gibt es aber noch viele leere Stellen im Modell der Zusammenhänge. Einige interessante Untersuchungsbereiche wären zum Beispiel: K Die Diversifikation der grammatischen Funktionen von gebundenen Morphemen K Der Zusammenhang zwischen Kasus und grammatischer Funktion: Aus dem Kasus eines Wort-Tokens lässt sich mit einer bestimmten Wahrscheinlichkeit seine grammatische Funktion vorhersagen. Die Verteilung der grammatischen Funktionen über die Kasus sollte dem Gesetz der Diversifikation unterliegen. K Der Zusammenhang zwischen Kasus und semantischer Rolle: Entsprechendes gilt auch für diesen Zusammenhang. Hier könnten Těšitelovás Untersuchungsmethoden verwendet werden. K Die Verteilungen der Kasus und der Flexionsendungen eines Lexems und seine Zugehörigkeit zu einer semantischen Klasse: Die semantische Klasse eines Nomens beeinflusst, in welchen Kasus es hauptsächlich verwendet wird. Die Klassifikation von Nomina auf der Grundlage der Verteilungen der Häufigkeiten ihrer Kasus und Flexionsendungen im Korpus müsste daher zu sinnvollen semantischen Klassen führen. Interessant ist auch die Übertragung psycholinguistischer in statistische Hypothesen, die anhand sprachlicher Daten überprüft werden können. Baayen (Art. Nr. 17) bietet ein beeindruckendes Beispiel hierfür. Auch die nicht-quantitative Sprachtypologie liefert zahlreiche begründete, aber nicht anhand großer Datenmengen bestätigte Hypothesen.

240

9.

III. Gebiete und Phänomene: Morphologie / Fields and phenomena: morphology

Literatur (in Auswahl)

Altmann, Gabriel (1985), Semantische Diversifikation. In: Folia Linguistica 19, 177K200. Altmann, Gabriel (1989), Hypotheses about compounds. Glottometrika 10. (Hrsg. Rolf Hammerl). Bochum: Brockmeyer, 100K107. Altmann, Gabriel (1993), Phoneme counts. In: Glottometrika 14. (Hrsg. Gabriel Altmann). Trier: WVT Wissenschaftlicher Verlag Trier, 54K68. Altmann, Gabriel (1996), Diversification processes of the word. In: Glottometrika 15. (Hrsg. Peter Schmidt). Trier: WVT Wissenschaftlicher Verlag Trier, 102K111. Altmann, Gabriel (2002), Morphologie. In: Einführung in die quantitative Lexikologie: (Hrsg. Gabriel Altmann/Dariusch Bagheri/Hans Goebl/ Reinhard Köhler/Claudia Prün). Göttingen: Peust & Gutschmidt, 56K62. Altmann, Gabriel/Best, Karl-Heinz/Kind, Walter (1987), Eine Verallgemeinerung der semantischen Diversifikation. In: Glottometrika 8. (Hrsg. Ingeborg Fickermann). Bochum: Brockmeyer, 130K 139. Altmann, Gabriel/Lehfeldt, Werner (1973), Allgemeine Sprachtypologie. Prinzipien und Meßverfahren. München: Wilhelm Fink. Aronoff, Mark (2000), Morphology between lexicon and grammar. In: Morphologie: ein internationales Handbuch zur Flexion und Wortbildung K Morphology: an international handbook on inflection and word-formation. (Hrsg. Geert Booij/ Christian Lehmann/Joachim Mugdan) (Handbücher zur Sprach- und Kommunikationswissenschaft K Handbooks of linguistics and communication sciences 17.1). Berlin/New York: de Gruyter, 344K349. Augst, Gerhard (1975), Lexikon zur Wortbildung. 3 Bde. Tübingen: Niemeyer. Ax, Wolfram (1996), Sprache als Gegenstand der alexandrinischen und pergamenischen Philologie. Sprachtheorien der abendländischen Antike. (Hrsg. Peter Schmitter). Tübingen: Narr, 1996, 275K301. Baayen, R. Harald (2001). Word frequency distributions. Dordrecht u. a.: Kluwer. Baayen, R. Harald/Lieber, Rochelle/Schreuder, Robert (1997), The morphological complexity of simplex nouns. In: Linguistics 35, 861K877. Baayen, R. Harald/Piepenbrock, Richard/van Rijn, H. (1993), The CELEX lexical database (CDROM). Linguistic Data Consortium, University of Pennsylvania, Philadelphia, PA. Barz, Irmhild (1988), Nomination durch Wortbildung. Leipzig: VEB Verlag Enzyklopädie. Bauer, Laurie (2003), Introducing linguistic morphology. Edinburgh: Edinburg University Press. Beőthy, Erszébet/Altmann, Gabriel (1984), Semantic diversification of Hungarian verbal prefi-

xes. III. „föl-“, „el-“, „be-“. In: Glottometrika 7. (Hrsg. Ursula Rothe). Bochum: Brockmeyer, 45K56. Beőthy, Erzsébet/Altmann, Gabriel (1991), The diversification of meaning of Hungarian verbal prefixes. Diversification processes in language: grammar. (Hrsg. Ursula Rothe). Hagen: Rottmann, 60K66. Bergenholtz, Henning/Schaeder, Burkhard (1977), Die Wortarten des Deutschen: Versuch einer syntaktisch orientierten Klassifikation. Stuttgart: Klett. Best, Karl-Heinz (1994), Word class frequencies in contemporary German short prose texts. In: Journal of Quantitative Linguistics 1 (2), 144K 147. Best, Karl-Heinz (1997), Zur Wortartenhäufigkeit in Texten deutscher Kurzprosa der Gegenwart. In: Glottometrika 16: The distribution of word and sentence length. (Hrsg. Karl-Heinz Best). Trier: WVT Wissenschaftlicher Verlag Trier, 276K285. Best, Karl-Heinz (1998), Zur Interaktion der Wortarten in Texten. In: Papiere zur Linguistik 58 (1), 83K95. Best, Karl-Heinz (2000), Verteilungen der Wortarten in Anzeigen. In: Göttinger Beiträge zur Sprachwissenschaft 4, 37K51. Best, Karl-Heinz (2001), Zur Länge von Morphen in deutschen Texten. In: Häufigkeitsverteilungen in Texten. (Hrsg. Karl-Heinz Best). Göttingen: Peust & Gutschmidt, 1K14. Bußmann, Hadumod (2002), Lexikon der Sprachwissenschaft. 3. Aufl., Stuttgart: Kröner. Bybee, Joan L. (1985), Morphology. A study of the relation between meaning and form. Amsterdam, Philadelphia: Benjamins. Cherubim, Dieter (1976). Grammatische Kategorien. Das Verhältnis von „traditioneller“ und „moderner“ Sprachwissenschaft. Tübingen: Niemeyer. Fellbaum, Christiane (Hrsg.), WordNet: an electronic lexical database. Cambridge, Ma/London: MIT Press, 1998. Flämig, Walter (1981), Wortklassen und Wortstrukturen. In: Grundzüge einer deutschen Grammatik von einem Autorenkollektiv unter Leitung von Karl Erich Heidolph, Walter Flämig, Wolfgang Motsch. Berlin: Akademie-Verlag, 458K636; 682K 701. Fleischer, Wolfgang (1983), Wortbildung der deutschen Gegenwartssprache. 5. Aufl. Leipzig: VEB Bibliographisches Institut. Fleischer, Wolfgang (2000), Die Klassifikation von Wortbildungsprozessen. In: Morphologie: ein internationales Handbuch zur Flexion und Wortbildung K Morphology: an international handbook on inflection and word-formation. (Hrsg. Geert Booij/ Christian Lehmann/Joachim Mugdan) (Handbücher zur Sprach- und Kommunikationswissenschaft K Handbooks of linguistics and communi-

16. Quantitative Morphologie: Eigenschaften der morphologischen Einheiten und Systeme cation sciences 17.1). Berlin/New York: de Gruyter, 886K897. Fleischer, Wolfgang/Barz, Irmhild (1995), Wortbildung der deutschen Gegenwartssprache. Tübingen: Niemeyer. Flenner, Gudrun (1994), Ein quantitatives Morphsegmentierungssystem für spanische Wortformen. In: Computatio Linguae II. (Hrsg. Ursula Klenk). Stuttgart: Steiner, 31K62. Flohr, Horst/Pfingsten, Friedericke (2002), Die Struktur von Wörtern: Morphologie. In: Arbeitsbuch Linguistik. (Hrsg. Horst M. Müller). Paderborn: Schöningh, 102K124. Gerlach, Rainer (1982), Zur Überprüfung des Menzerath’schen Gesetzes. In: Glottometrika 4. (Hrsg. Lehfeldt, W/Strauss, U.). Bochum: Brockmeyer, 95K102. Greenberg, Joseph H. (1957), The definition of linguistic units. In: Essays in Linguistics. (Hrsg. Greenberg, Joseph H.). Chicago/London: University of Chicago Press, 18K34. Greenberg, Joseph H. (1960), A quantitative approach to the morphological typology of language. In: International Journal of American Linguistics 26, 178K149. Hammerl, Rolf (1990), Überprüfung einer Hypothese zur Kompositabildung (an polnischem Sprachmaterial). In: Glottometrika 12. (Hrsg. Rolf Hammerl). Bochum: Brockmeyer, 73K83. Harris, Zellig Sabattai (1955), From phoneme to morpheme. In: Language 31.2, 1955. 190K222. Harris, Zellig Sabattai (1970), Morpheme boundaries within words: Report on a computer test. In: Papers in structural and transformational linguistics. (Hrsg. Zellig Sabattai Harris). DordrechtHolland: Reidel Publishing Company, 68K77. Höhle, Tilman N. (1985), On composition and derivation: the constituent structure of secondary words in German. In: Studies of German grammar. (Hrsg. Jindrich Toman). Dordrecht/Cinnaninson: Foris Publications, 377K406. Kandler, Günter/Winter, Stefan (1992 ff.), Wortanalytisches Wörterbuch. Deutscher Wortschatz nach Sinn-Elementen. München: Fink. Kaltz, Barbara (1983), Zur Wortartenproblematik aus wissenschaftsgeschichtlicher Sicht. Hamburg: Buske. Klenk, Ursula/Langer, Hagen (1989), Morphological segmentation without a lexicon. In: Literary and Linguistic Computing 4 (4), 247K253. Knobloch, Clemens/Schaeder, Burkhard (1992), Wortarten K Beiträge zur Geschichte eines grammatischen Problems. In: Wortarten K Beiträge zur Geschichte eines grammatischen Problems. (Hrsg. Burkhard Schaeder/Clemens Knobloch). Tübingen: Niemeyer, 1K42. Köhler, Reinhard (1986), Zur linguistischen Synergetik: Struktur und Dynamik der Lexik. Bochum: Brockmeyer.

241

Köhler, Reinhard (1990), Linguistische Analyseebenen. Hierarchisierung und Erklärung im Modell der sprachlichen Selbstregulation. In: Glottometrika 11. (Hrsg. Luděk Hřebíček). Bochum: Brockmeyer, 1K18. Krott, Andrea (1996), Some remarks on the relation between word length and morpheme length. In: Journal of Quantitative Linguistics 3 (1). 29K37. Krott, Andrea (1999), Influence of morpheme polysemy on morpheme frequency. In: Journal of Quantitative Linguistics 6 (1), 58K65. Krott, Andrea (2002), Ein funktionalanalytisches Modell der Wortbildung. In: Korpuslinguistische Untersuchungen zur quantitativen und systemtheoretischen Linguistik. http://ubt.opus.hbz-nrw.de/ volltexte/2004/279 (Hrsg. Reinhard Köhler), 75K 126. Krott, Andrea/Schreuder, Robert/Baayen, R. Harald (1999), Complex words in complex words. In: Linguistics 37 (5), 905K926. Krott, Andrea/Schreuder, Robert/Baayen, R. Harald (2001), A note on the function of Dutch linking elements. In: Yearbook of morphology 2001. (Hrsg. Geert Booij/Jaap van Marle) Dordrecht u. a.: Kluwer, 237K252. Kühnhold, Ingeburg/Prell, Heinz Peter (1984), Deutsche Wortbildung, Typen und Tendenzen in der Gegenwartssprache. Morphem- und Sachregister zu Band IKIII. Düsseldorf: Pädagogischer Verlag Schwann-Bagel. Langer, Hagen (1991), Ein automatisches Morphsegmentierungsverfahren für deutsche Wortformen. Göttingen: Diss. Law, Vivien (1995), The Technē and Grammar in the Roman World. In: Dionysius Thrax and the Technē grammatikē. (Hrsg. Vivien Law/Ineke Sluiter). Münster: Nodus, 111K119. Linke, Angelika/Nussbaumer, Markus/Portmann, Paul R. (2001), Studienbuch Linguistik. 4. Aufl. Tübingen: Niemeyer. Matthews, Peter H. (1991), Morphology. 2. Aufl. Cambridge: Cambridge University Press. Mills, Anne E. (1981), Cases, case marking and the interpretation and production of German relative clauses. In: Studies in language teaching and language acqusition. (Hrsg. E. Hopkins/R. Grotjahn). Bochum: Brockmeyer, 204K220. Mizutani, Shizuo (1989), Ohno’s lexical law: its data adjustment by linear regression. In: Japanese Quantitative Linguistics. (Hrsg. Shizuo Mizutani). Bochum: Brockmeyer, 1K13. Nida, E. A. (1949), Morphology. 2. Aufl. Ann Arbor: The University of Michigan Press. Robins, Robert H. (1986), The Techne Grammatike of Dionysius Thrax in its historical perspective: the evolution of the traditional European word class systems. In: Mot et parties du discours. Word and word classes. Wort und Wortarten. (Hrsg.

242

III. Gebiete und Phänomene: Morphologie / Fields and phenomena: morphology

Pierre Swiggers/Willy van Hoecke). Leuven/Paris: Leuven University Press/Peeters, 9K37. Rothe, Ursula (1988), Polylexy and compounding. In: Glottometrika 9. (Hrsg. Klaus-Peter Schulz). Bochum: Brockmeyer, 121K134. Rothe, Ursula (1991), Diversification processes in grammar. An introduction. In: Diversification processes in language: grammar. (Hrsg. Ursula Rothe). Hagen: Rottmann, 3K32. Schierholz, Stefan J. (1991), Lexikologische Analysen zur Abstraktheit, Häufigkeit und Polysemie deutscher Substantive. Tübingen: Niemeyer. Schumacher, Frank/Steiner, Petra (2002), Aspekte der Bedeutung: Semantik. In: Arbeitsbuch Linguistik. (Hrsg. Horst Müller). Paderborn: Schöningh, 170K209. Schweers, Anja/Zhu, Jinyang (1991), Wortartenklassifizierung im Lateinischen, Deutschen und Chinesischen. In: Diversification processes in language: grammar. (Hrsg. Ursula Rothe). Hagen: Rottmann, 157K165. Silnitsky, George (1993), Typological indices and language classes. In: Glottometrika 14. (Hrsg. Gabriel Altmann). Trier: WVT Wissenschaftlicher Verlag Trier, 139K160. Stepanowa, Marija D./Fleischer, Wolfgang (1985), Grundzüge der deutschen Wortbildung. Leipzig: VEB Bibliographisches Institut. Steiner, Petra (1995), Effects of polylexy on compounding. In: Journal of Quantitative Linguistics 2 (2), 133K140. Steiner, Petra (2002), Polylexie und Kompositionsaktivität in Text und Lexik. In: Korpuslinguistische Untersuchungen zur quantitativen und systemtheoretischen Linguistik. http://ubt.opus.hbznrw.de/volltexte/2004/279 (Hrsg. Reinhard Köhler). 209K251. Steiner, Petra (2004), Wortarten und Korpus: Automatische Wortartenklassifikation durch distributionelle und quantitative Verfahren. Aachen: Shaker. Těšitelová, Marie (1986), On semantic quantitative analysis. In: Prague studies in mathematical linguistics 9. (Hrsg. Eva Hajičová/Ján Horecký/ Marie Těšitelová). Amsterdam/Philadelphia: John Benjamins Publishing Company, 9K18.

Těšitelová, Marie (1992), Quantitative linguistics. Prag: Academia. Těšitelová, Marie (1996), On quantification in grammar and semantics. In: Discourse and meaning. Papers in honor of Eva Hajičová. (Hrsg. Barbara H. Partee/Petr Sgall). Amsterdam/Philadelphia: Benjamins, 369K378. Wimmer, Gejza/Altmann, Gabriel (1995), A model of morphological productivity. In: Journal of Quantitative Linguistics 2 (3), 212K216. Wimmer, Gejza, Altmann, Gabriel (1996), The theory of word length: Some results and generalizations. In: Glottometrika 16: The distribution of word and sentence length. (Hrsg. Karl-Heinz Best). Trier: WVT Wissenschaftlicher Verlag Trier, 112K 133. Wimmer, Gejza, Altmann, Gabriel (2001), Some statistical investigations concerning word classes. In: Glottometrics 1, 109K123. Wimmer, Gejza/Köhler, Reinhard/Grotjahn, Rüdiger/Altmann, Gabriel (1994), Towards a theory of word length distribution. In: Journal of Quantitative Linguistics 1 (1), 98K106. Ziegler, Arne (1998), Word class frequencies in Brazilian-Portuguese press texts. In: Journal of Quantitative Linguistics 5 (3). 269K280. Ziegler, Arne (2001), Word class frequencies in Portuguese press tests. In: Text as a linguistic paradigm: levels, constituents, constructs. Festschrift in honour of Luděk Hřebíček. (Hrsg. Ludmila Uhlířová/Gejza Wimmer/Gabriel Altmann/Reinhard Köhler). Trier: WVT Wissenschaftlicher Verlag Trier, 295K312. Zipf, George Kingsley (1968), The psycho-biology of language. An introduction to dynamic philology. 2. Aufl. Cambridge/Mass.: M.I.T. Press. Zipf, George Kingsley (1972), Human behavior and the principle of least effort. An introduction to human ecology. New York: Hafner reprint. Zubin, David A./Köpcke, Klaus-Michael (1986), Gender and folk taxonomy: the indexical relation between grammatical and lexical categorization. In: Noun classes and categorization. (Hrsg. Colette Craig). Philadelphia: Benjamins. (Typological Studies in Language; Vol. 7). 139K180.

Claudia Prün, Trier (Deutschland) Petra Steiner, Erfurt (Deutschland)

243

17. Morphological productivity

17. Morphological productivity 1. 2. 3. 4. 5.

Introduction Measuring productivity Non-homogeneity and productivity Explaining productivity Literature (a selection)

1.

Introduction

Morphology is the branch of linguistics that studies the internal structure of words. Comparisons of sequences of words such as strong long warm deep

strength length warmth depth

great ready glad sad

greatness readiness gladness sadness

and

show that systematic changes in form (the suffixation of -th or -ness) are accompanied by systematic changes in meaning (changing an adjective into an abstract noun). The question of productivity arises as soon as the numbers of word pairs belonging to a word formation pattern are counted. In the case of -th, the CELEX lexical database (Baayen/ Piepenbrock/Gulikers: 1995) lists only three other such formations, broad true wide

breadth truth width

while in the case of -ness, thousands of other formations are attested. Speakers of English are reluctant to extend the -th series with new forms such as coolth, and when they do so, it is likely to be on purpose to achieve some special effect (Schultink 1961, Aronoff 1983). By contrast, neologisms in -ness are difficult to identify as such, and they are seldom used with the explicit intention of foregrounding. Descriptively, -th is said to be unproductive, and -ness productive. Used in this way, the term productivity denotes a qualitative dichotomy between extendable and non-extendable morphological patterns. This qualitative use of the term productivity runs into problems when less extreme morphological patterns are considered. The patterns

employ legate deport

employee legatee deportee

active actual neutral

activity actuality neutrality

and

are supported by 36 and 496 pairs in the CELEX lexical database, respectively. The former pattern is intuitively judged not to be unproductive, whereas the latter pattern seems not to be really productive. Apparently, a type count of the number of attested formations is not a reliable indicator of whether a word formation pattern is productive. A simple contrast between productive patterns on the one hand and unproductive patterns on the other hand requires supplementation by quantitatively well-defined measures for gauging the degree to which a pattern is productive.

2.

Measuring productivity

Several statistical measures are available for gauging the extent to which a word formation pattern is productive. All these measures are based on the theory of word frequency distributions (cf. art. no 30). Three measures are discussed in turn, the probability that a formation has not been seen before given that it belongs to a given word formation pattern, the ratio of the population number of formations to the observed number of formations, and the probability that a formation belongs to a given word formation pattern given that it has not been seen before. 2.1. The growth rate of the morphological category The first productivity measure takes as its point of departure all word tokens in a corpus with the same morphological structure, i. e., using classic structuralist terminology, all formations belonging to a given morphological category. Such a collection of tokens taken from the corpus constitutes a sample of that morphological category. Let N denote the size of the sample, the number of word tokens in the corpus belonging to the morphological category. Furthermore, let

244

III. Gebiete und Phänomene: Morphologie / Fields and phenomena: morphology

V (N) denote the vocabulary size, the number of different word types occurring among these N tokens. Finally, let V (m, N) denote the number of types that occur m times among the N tokens. The vocabulary size V (N) is a monotonically increasing function of N. The rate at which V (N) increases at a given sample size N is given by the slope of the tangent to the vocabulary growth curve at the point N, V (N), and can be expressed as P (N) Z

E [V (1, N)] N

,

(1)

the ratio of the expected number of types occurring once (the hapax legomena) to the sample size. The growth rate P (N) is a monotonically decreasing function of N, it captures the likelihood that, for any sample size N, the next token to be sampled represents a type that has not yet occurred in the sample. Since P is based on only those word tokens that belong to a given morphological category, it is referred to as the category-conditioned degree of productivity. To see how morphological productivity can be measured by means of P, consider Figure 17.1, which plots the vocabulary size V (N) as a function of N for two hypothetical morphological categories. The two samples have different sample sizes and they display a difference in the rate at which V (N) increases as the sample size is increased. The

dashed lines represent the tangents to the growth curves of the two categories at their full sample sizes. Note that the slope of the more productive category is only slightly greater than that of the less productive category. Even though there is a big difference in productivity, this difference does not become fully apparent due to the large difference in the two sample sizes. When the difference in sample size is adjusted for, which can be accomplished by studying the growth rate of the larger sample at the specific sample size of the smaller sample (the dotted line in Figure 17.1), the difference in degree of productivity is highlighted more clearly. When using P, it is important to keep in mind that, since its value depends on N, it may be useful to adjust for differences in sample sizes. 2.2. The population size of the morphological category The dependence of P on the sample size raises the question whether a measure of productivity might be available that is independent of the sample size. Such a measure can be obtained by considering the limiting behavior of V (N) when the sample size becomes infinitely large. In other words, what is the order of magnitude of the population number of types S. How many different types might eventually be observed when the sample size is increased indefinitely? Statistical models for word frequency distributions (cf. art. no. 30) are available for estimating S Z lim E [V (N)].

(2)

N/N

Unproductive word formation patterns are characterized by small values for S that are approached rapidly for fairly small N. Fully productive word formation patterns may not have an upper bound to V (N), or the upper bound may be so large to be practically infinite. Word formation patterns with intermediate productivity tend to have a finite S substantially exceeding the observed vocabulary size V(N). The productivity index IZ Fig. 17.1: Two hypothetical growth curves. The dashed lines represent the tangents to the growth curves at the full sample sizes. The dotted line represent the tangent to the growth curve of the more productive affix at the full sample size of the less productive affix.

limN/NE [V (N)] E [V (N)]

S Z E [V (N)]

(3)

can be used to assign morphological categories to the scale [1, N), with the unproductive patterns receiving a value close to 1 and the most productive patterns approaching N.

245

17. Morphological productivity

Both P and S quantify the potentiality of a word formation pattern: the likelihood of sampling a new type when the sample size is increased (P ) and the extent to which the number new types yet to be sampled may eventually exceed the currently observed number of types (I ). The actually observed number of types for a given word formation pattern is also of interest, especially when compared to the numbers of types counted for other word formation patterns, provided that all samples are exhaustive and taken from the same corpus. More precisely, for V (N) to be an interpretable measure, it is required that all individual samples of words (the various word formation patterns and the sets of different kinds of simplex words) extracted from a corpus constitute a partition of this corpus. Thus, the corpus, which is itself a sample from the language, functions as the frame of reference for the extent to which types of various subsets of words are used. Table 17.1 illustrates this approach by means of four Dutch affixes. The suffix -er is used to create subject nouns (schrijver, ‘writer’), as in English. The suffix -ster, which has no English counterpart, marks the gender of agents as feminine (schrijfster, female writer). The suffix -heid creates abstract nouns from adjectives, and can be compared to the English suffix -ness (dankbaarheid, ‘gratefulness’). Finally, the suffix -te is the etymological counterpart of the English suffix -th (warmte, ‘warmth’). The second column of Table 17.1 lists the number of types with these suffixes observed in the Eindhoven corpus (Uit den Boogaart 1977), a small corpus with approximately 600.000 word tokens. Note that -er and -heid occur with substantially more types than -ster and -te. However, the only suffix that is intuitively really unproductive for native

speakers of Dutch is -te, even though it occurs with 9 more types than -ster. The third column of Table 17.1 sheds some light on why this intuition might arise: -te is the suffix with the lowest growth rate, a growth rate that is an order of magnitude smaller than that of -ster. The fourth column lists the number of types that participants in a production experiment jointly produced in 5 minutes, and the fifth column lists the numbers of these types that were not listed in a comprehensive dictionary of Dutch (Baayen 1994). Note that the lowest numbers were counted for -te. Column six lists the growth rates based on the distributions of experimentally elicited words, and column seven the population numbers of types as estimated using the generalized inverse Gauss-Poisson distribution (cf. art. no. 30). Again, -te emerges with the lowest values both for the growth rate and for the estimated population size, which is an order of magnitude smaller than that of the other suffixes. Interestingly, the estimated population size for -ster exceeds that of -er and -heid, even though it occurs with the lowest number of types in the corpus. Evidently, the potentiality of this suffix is at least equal to that of -er and -heid, even though its extent of use is much smaller. The reason that -ster is not used extensively is probably a cultural one. In contrast to official German, which tends to promote the use of the masculine and feminine form side by side (Hörer und Hörerinnen, ‘listeners and female listeners’), Dutch prefers to use the unmarked form. Although it is relatively seldom that a new form in -ster is culturally appropriate, -ster is nevertheless available in Dutch as a fully regular and productive suffix. The final column of Table 17.1 lists the productivity indices as calculated from the

Tab. 17.1: Observed number of types (V) and degree of productivity (P ) as calculated on the basis of the Eindhoven corpus, the number of different types (experiment) produced in a production experiment, the number of these types (new) not listed in the van Dale dictionary, the growth rate of the number of types in the experiment (P-experiment), the estimated population size given the experiment (S-experiment), and the productivity index I. affix

VN

P

experiment

new

P-experiment

S-experiment

I-experiment

-er -ster

299 30

0.076 0.231

447 323

83 177

0.242 0.235

2023 2905

4.5 9.0

-heid -te

466 39

0.114 0.013

536 117

81 44

0.353 0.098

2176 254

4.7 6.5

246

III. Gebiete und Phänomene: Morphologie / Fields and phenomena: morphology

experimental distributions. As I compares the potential with the actual, a greater extent of use leads to lower values of I for morphological patterns with roughly the same (finite) population size. Therefore, this productivity measure is most useful for calling attention to patterns with low extent of use V (N) and large population size S. Note that in the present example, -te emerges with a surprisingly high productivity index. This is probably an artefact of the small corpus size K for sufficiently large corpora, the productivity index of -te will tend to be much closer to unity. 2.3. The contribution of the morphological category to the overall vocabulary growth rate All productivity measures discussed thus far are calculated from the frequency distributions of morphological categories by themselves. Because of this conditioning on the morphological categories, each of which appear with different sample sizes in an overall corpus, these measures cannot be used to gauge the likelihood of finding new formations when the overall corpus, itself a sample of the language, is increased. The third productivity measure is useful for estimating this likelihood. Recall that what the category-conditioned degree of productivity P does is measure the likelihood that a formation has not been seen before given that it belongs to a given morphological category. A complementary measure should quantify the likelihood that a newly sampled formation belongs to a morphological category given that it has not been seen before. Such a measure can be obtained by considering the contribution of a given morphological category to the growth rate of the overall vocabulary. Let N denote the size of a corpus and let pi N denote the number of tokens in this corpus that belong to morphological category i. Furthermore, let {A} denote the event that a newly sampled token represents a new type, and let {B} denote the event that the new token belongs to the i-th morphological category. The category-conditioned degree of productivity of morphological category i, the probability of a word token representing a type that has not yet been observed given that it is a member of category i, is

Pi Z Pr ({A} K {B}) Pr ({A} h Pr ({B}) Z Pr ({B}) E [V (1, pi N)] N pi N

Z

Z

(4)

N E [V (1, pi N)] pi N

The probability of a newly sampled word token being a member of category i given that it represents a type that has not yet been observed, P *, is P i* Z Pr ({B} K {A}) Pr ({B} h Pr ({A}) Z Pr ({A}) E [V(1, pi N)] N Z

∑

L E [V(1, iZ1

Z

(5) pi N)]

N E [V (1, pi N)] E [V (1, N)]

the proportion of hapax legomena belonging to category i. This measure, known as the hapax-conditioned degree of productivity, allows us to account for the fact that, when reading through a Dutch corpus, the likelihood of encountering a new formation in -heid is much higher (V (1, N-heid) Z 1110 in celex) than encountering a new formation in -ster (V (1, N-ster) Z 161 in celex), even though P is higher for -ster (0.0314) than for heid (0.0067). For a validation study of the appropriateness of productivity measures based on the growth rate of the vocabulary size as predictors of the likelihood of neologisms, the reader is referred to (Baayen/Renouf 1996). Note that the proper use of these productivity measures for the statistical comparison of the productivity of arbitrary affixes requires that the word types in a corpus are partitioned into a series of strictly disjunct morphological categories. This requirement is a consequence of the presupposition of standard statistical tests that the observations in data sets that are to be compared should be independent. Once we include words such as thankfulness in the data sets

247

17. Morphological productivity

of both -ness and -ful, a comparison of the productivity of -ful with that of -ness is no longer statistically valid.

3.

Non-homogeneity and productivity

All productivity measures described in the previous section are based implicitly on the urn model. According to this simple statistical model, (word) tokens are sampled independently and randomly from an urn of (word) tokens representing a variety of (word) types, it being assumed that the contents of the urn do not change over time. The simplifying assumptions of the urn model provide a baseline for the understanding of the quantitative aspects of morphological productivity. For the actual measuring of productivity, however, it should be kept in mind that non-homogeneity, non-independence, and language change may have to be taken into account. 3.1. Homogeneity First consider the simplifying assumption that the word tokens sampled from a corpus are sampled from a homogeneous population. There are many ways in which this assumption can be violated. Aronoff (1976) called attention to the way in which the degree of productivity of an affix may vary with the morphological structure of the word to which it attaches. Baayen/Renouf (1997) capture such differences in terms of the numbers of hapax legomena attested for each kind of base word. From this point of view, a morphological category is a composite entity consisting of a series of smaller subsets, each with its own quantitative properties.

(Plag/Dalton-Puffer/Baayen 1999) show that the degree of productivity of a given affix may differ substantially for spoken and written language. For instance, the suffix -ish appears to be less productive than the suffix -ize in written British English, whereas in spontaneous conversations -ish seems to be more productive than -ize. Sometimes, non-homogeneity is visible in logarithmic density plots of the frequency distribution. Consider Figure 17.2, which plots the estimated density functions for the Dutch suffixes -baar, ‘-able’ (left panel) and -iteit, ‘-ity’ (right panel) as they occur in the corpus underlying the celex lexical database for Dutch. The unimodal density function for -baar is typical for a productive suffix, with most of the probability mass located around the lowest-probability words. By contrast, -iteit reveals a bimodal density suggesting that the distribution might in fact be a mixture of two distributions, one with a density resembling the density function of -baar, the other with a density that might be more bell-shaped. Such bimodal distributions fall outside the scope of application of standard lnre models for word frequency distributions. In the case of the -iteit data, not surprisingly, there is no simple lnre model that provides a reasonable fit. Better results can sometimes be obtained by using a mixture of two lnre models, in the case of -iteit, a mixture of a generalized inverse Gauss-Poisson (gigp) model and a lognormal model (Baayen, 2001). The gigp component accounts for the mode at the left, and presupposes a huge number of possible types, 39972140866221, of which 172 occur in the sample. The lognormal component accounts for the mode at the right, and presup-

Fig. 17.2: The estimated densities for the Dutch suffixes -baar (‘-able’) and -iteit (‘-ity’).

248

III. Gebiete und Phänomene: Morphologie / Fields and phenomena: morphology

poses a limited number of population types, 202, of which 190 words are in the sample. The lognormal component appears to account for fairly high-frequency non-technical terms such as electriciteit, ‘electricity‘, and publiciteit, ‘publicity’. The gigp component appears to account for technical scientific terms (e. g., hypertoniciteit, ‘hypertonicity’, and bilinealiteit, ‘bilineality’). It is important to note that the categoryconditioned degree of productivity of -iteit remains unchanged when a mixture model is substituted for a simple lnre model K the total number of hapax legomena in the sample remains the same K while the predictions with respect to the size of the population change substantially. For instance, a fit of the gigp model by itself to the -iteit data suggests a substantially reduced population size of 1243 types only, instead of a practically infinite population size as suggested by the mixture model. 3.2. Independence The statistical theory underlying the present productivity measures presupposes that words are used randomly and independently in texts. In other words, for the statistical theory to be applicable, the tokens of a word type should be uniformly distributed in a text or corpus. However, in actual texts, the word tokens of many types tend to be underdispersed, they occur in bursts in those sections where they are topically relevant to the discourse. This underdispersion tends to introduce an overestimation bias for the expected vocabulary size, and an underestimation bias for the growth rate of the vocabulary size (Baayen 1996). When morphological categories are studied instead of full texts, the effect of topic continuity in discourse on word use is substantially reduced (Baayen 2001), albeit not completely eliminated. In addition to the effects of topic continuity in discourse, stylistic or even psycholinguistic factors may introduce non-independence. (Baayen/Neijt 1997) report that, especially among the lowest-frequency words, the use of -heid to coin an abstract noun may trigger the re-use of the same suffix to form a semantically related abstract noun, as in verslagenheid en stomheid, ‘dejectedness and dumbfoundedness’. Such pairs may have a stylistic motivation (hendiadys), or they may be the result of rule priming.

Word frequency models can be adjusted to some extent for non-randomness in word use (Hubert/Labbé 1988, Baayen/Tweedie 1998, see also art. no 30), so that the expected growth curve of the vocabulary provides a better fit to the empirical growth curve. Although adjusted lnre models provide the possibility of obtaining enhanced estimates of the actual growth rate of the vocabulary, they do not allow the population vocabulary size to be estimated. The usefulness of adjusted models for the study of productivity is not restricted to obtaining enhanced estimates of the category-conditioned degree of productivity, however, as they also provide a measure of the extent to which formations in a distribution are not uniformly distributed in a text or corpus. 3.3. Invariance through time The productivity of word formation patterns may change over time. Currently, changes in productivity are traced in two ways, by means of dictionaries, and by means of corpora. There are two kinds of dictionarybased studies: studies in which successive editions of dictionaries are surveyed (Neuhaus 1973, Dubois 1962), and studies based on dictionaries with comprehensive historical information on first and last usages such as the Oxford English Dictionary (Anshen/ Aronoff 1988, 1996). Anshen and Aronoff document the increasing productivity of the English suffix -ity and the sudden demise of a series of Old English prefixes. A corpusbased study discussing what may be diachronic changes in productivity is (Baayen/ Renouf 1996). This study calls attention to the hapax legomena with the affixes un-, -ness, and -ly. Instead of being uniformly distributed over the issues of a British newspaper that appeared in a three year period, these hapax legomena appear more often as time increases, which might indicate that their productivity is increasing. If so, the category-conditioned degree of productivity provides a lower bound for the rate at which new formations may be expected. Unfortunately, no statistical models are available at present that incorporate language change in a principled way.

4.

Explaining productivity

Why are some word formation patterns productive and others unproductive? The structuralist tradition has argued that productiv-

17. Morphological productivity

249

Fig. 17.3: Native affixes (lower case), learned native affixes (lower case with initial upper case letter), and learned, non-native affixes (upper case) in the plane spanned by the second and third principal components of a PCA analysis of affixes in a multidimensional text space.

ity is determined by the number of restrictions on the input domain of an affix (Schultink 1961, Booij 1977, Van Marle 1985). The more restrictions there are, the lesser the degree of productivity. The problem with this approach is that it is possible for an affix to be less productive while having few restrictions on its input domain. The Dutch suffix -ster is a case in point. In principle, it attaches freely to any verb, but speakers of Dutch seem reluctant to use it. Thus, the productivity of an affix must, at least in part, be influenced by the socio-cultural needs of the language community. Feminine person nouns in official German are used more often feminine person nouns in Dutch, due to the simple fact that it is only in German that there is an official policy to do so. Similarly, it is not so surprising that in Dutch pejorative person nouns such as domCerd, ‘stupid person’, are much less productive than neutral subject nouns such as denkCer, ‘thinker’. There are relatively few situational contexts in which pejorative

person nouns can be used without breaking the rules of normal politeness. Restrictions on appropriate use in the language community are directly reflected in the extent to which word formation patterns are used. Figure 17.3 illustrates this point for a subset of English affixes as they appear in a sample of texts from various genres written by a range of different authors (Baayen 1994). When texts are viewed as observations in a multidimensional space spanned by the category-conditioned productivity values of these affixes, a principal components analysis (PCA) reveals clusters of texts belonging to the same text type. When affixes are viewed as observations in a multidimensional space spanned by their productivity values in texts, stratal properties emerge. Learned, non-native affixes cluster to the right, native affixes cluster to the left, and learned, native affixes occupy an intermediate position. At the extremes, a closer examination reveals that, not surprisingly, learned, nonnative affixes are particularly

250

III. Gebiete und Phänomene: Morphologie / Fields and phenomena: morphology

productive in officialese, while the native (non-learned) affixes are especially productive in the children’s books in the sample. Considered jointly with the study by Plag et al. (1999) on the role of modality (spoken versus written language), it is clear that productivity is strongly co-determined by sociocultural factors. The optimal productivity statistic for measuring this socio-cultural aspect of productivity is the hapax-conditioned degree of productivity P *. Socio-cultural factors are not the only force shaping productivity, however. Recall that productive word formation patterns are characterized by a great many very low-frequency formations, while unproductive patterns are characterized by many higher-frequency forms and the scarcity of very lowfrequency formations. Interestingly, word frequency is related to a series of other interrelated lexical variables that jointly provide an explanatory grid for understanding how linguistic structure co-determines productivity. We consider these variables in turn. 1. Frequency and Irregularity: Irregularity occurs primarily among the higher-frequency formations (Anshen/Aronoff 1988, Baayen/Sproat 1996). Irregularity manifests itself both at the level of form (phonological opacity) and at the level of meaning (semantic opacity). For instance, English business, has a pronunciation with two syllables instead of the three syllables one would expect given its etymological morphological structure. In addition, the meaning of business is similar to those of commerce, firm, and company. The meaning one would expect given its morphological structure, ‘the property of being busy’, is no longer in use. Crucially, irregular words tend to be more frequent than regular words. As the number of irregular formations belonging to a word formation pattern increases, the larger N and the smaller V (1, N) will be. Hence, the category-conditioned degree of productivity takes into account, albeit indirectly, the extent to which a morphological category is irregular. 2. Frequency and Length: Higher-frequency words tend to be shorter than lowerfrequency words (Zipf 1935, Köhler 1986). The frequency-length relation holds not only for word frequency and word length measured in letters or phonemes, but also for complex words when length is measured

in terms of the number of constituent morphemes. For instance, in the case of the Dutch suffix -heid, a random sample of 20 hapax legomena has a mean length of 3.75 morphemes, while the 20 most frequent formations in the distribution have a mean length of 2.85 (W Z 88.5, p ! 0.005, data from the inl corpus underlying the celex lexical database for Dutch). However, this correlation is most clearly visible for fully productive affixes. For unproductive affixes, it tends to be absent. For instance, the unproductive Dutch suffix -te attaches almost exclusively to monomorphemic base words, and no length difference between high and low frequency words exists. Returning to the frequency distributions of fully productive affixes, the frequency-length relationship implies a lesser degree of morphological complexity in the higher-frequency range. It is here that the morphological category is most like simplex words. 3. Frequency and Base Frequency: Higherfrequency complex words tend to have higher-frequency base words (Bertram/ Schreuder/Baayen 2000, Hay 2003). Figure 17.5 illustrates this correlation for the suffix -heid as it occurs in the corpus on which the Dutch section of the celex lexical database is based, adding 1 to the frequency counts in order to include zero counts while using a logarithmic scale. The solid line is a non-parametric scatterplot smoother, the dashed line represents the line ‘Base Frequency Z Surface Frequency’. The majority of formations fall above the dashed line. Normally, a derived word is less frequent than its base word, but occasionally the reverse holds. Using the terminology of (Harwood/Wright 1944), complex words tend to have derivation ratios substantially below unity. The solid line shows that more frequently used words in -heid tend to have more frequently used base words. This is not surprising: the more useful a word in general, the more likely it is that its derivations will be useful as well. What is important for the understanding of productivity, as pointed out by (Hay 2003, 2001, Hay/Baayen 2002) on the basis of a derived words in English, is that the slope of the regression line is less than 1. For -heid, this is true for formations for which log (surface frequency C 1) O 2. As surface frequency increases, the ratio of surface frequency to base frequency increases. This is

17. Morphological productivity

251

Fig. 17.4: The correlation of the frequency of the derived form (Surface Frequency) and the frequency of its base word (Base Frequency) using a logarithmic scale for the Dutch suffix -heid. The solid line is a non-parametric regression smoother, the dashed line represents the line ‘Base Frequency Z Surface Frequency’.

important given psycholinguistic findings concerning the role of surface frequency and base frequency in language comprehension. According to parallel dual route models of morphological processing (Baayen/ Schreuder 2000), complex words can be recognized in two ways, on the basis of their own phonological or orthographic form, and on the basis of the phonological and orthographic forms of their constituents. The higher the frequency of the full form, the more likely it is that recognition takes place without morphological decomposition. Conversely, the higher the frequencies of the constituents, the higher the likelihood will be that recognition can proceed on the basis of these constituents. One of the factors influencing the balance of these two comprehension routes is the ratio of surface frequency and base frequency. Low-frequency complex words with high-frequency constituents are more likely to be understood through decomposition than high-frequency complex words with low-frequency constituents. What the regression line in Figure 17.4 shows is that within a morphological category this ratio changes as surface frequency

is increased, indicating that higher-frequency formations in -heid are, on average, less likely to be morphologically decomposed than low-frequency words. In other words, high-frequency complex words have a greater likelihood of being processed in the same way as simplex words than low-frequency complex words. 4. Frequency and Meaning: Higher-frequency words tend to have more meanings than lower-frequency words (Paivio/Yuille/ Madigan 1968, Reder/Anderson/Bjork 1994, Köhler 1986, Hay 2003). The way in which this correlation affects productivity is best explained by means of an example. Consider the Dutch words bol and pak, which can be translated as ‘bread rol, head, sphere’ and ‘suit, parcel’ respectively. Both forms occur in the diminutive form. In the case of bolletje, the meaning can range over ‘small breadrol’, ‘small head’, and ‘small sphere’. But in the case of pak, the reading ‘small suit’ is highly unlikely, in contrast to the reading ‘small parcel’. There is no way in which the reader or listener can deduce, out of context, which meaning is the

252

III. Gebiete und Phänomene: Morphologie / Fields and phenomena: morphology

appropriate one. In other words, even when the reading of a complex form is semantically compositional, there is more uncertainty as to the intended (bolletje) or conventional (pakje) meaning for higher frequency base words. As the frequencies of complex words are positively correlated with the frequencies of their base words, the higher-frequency formations of a morphological category will tend to have a higher degree of compositional uncertainty. Again, it is here that complex words become more similar to simplex words. 5. Frequency and Form: More frequent complex words tend to have junctural phonotactics that are more similar to the wordinternal phonotactics of simplex words (Cutler 1980, Anshen/Aronoff 1981, Hay 2003). The junctural phonotactics of complex words, i. e., the extent to which phoneme transitions across morpheme boundaries are similar to the phoneme transitions within simplex words, co-determine the ease with which complex words can be decomposed into their constituents in comprehension. The idea is that phoneme transitions that are very infrequent or even non-existent within simplex words, the illegal transitions, may nevertheless occur in complex words straddling morpheme boundaries. Lowprobability within-word transitional probabilities therefore provide information about the likelihood of the presence of morpheme boundaries. Interestingly, less productive affixes tend to occur in words with junctural phonotactics typical of monomorphemic words. In fact, Hay (2003) shows for a sample of English affixes that their category-conditioned degree of productivity can be modeled as a linear function of their average derivation ratio and their percentage of illegal phoneme transitions. 6. Frequency and Availability for word formation: Higher-frequency (complex) words are more likely to serve as input to word formation than lower-frequency (complex) words. Figure 17.5 illustrates this correlation by plotting frequency against family size, the family size being the number of complex words in which a base word appears as a constituent. The left panel summarizes the correlation for simplex base words, the right panel visualizes the correlation for bi-morphemic complex words. The solid lines represent non-parametric regression lines. Psy-

cholinguistic studies have shown that words with large morphological families elicit shorter response latencies and higher subjective frequency ratings than words with small morphological families when co-varying frequency counts are controlled for. These studies have also revealed that the family size effect is semantic in nature. Words with large families are more deeply embedded in the network of semantic relations in the mental lexicon. This allows their semantics to become more readily available, leading to faster responses and intuitions of greater familiarity (Schreuder/Baayen 1997, Bertram/Baayen/Schreuder 1999, De Jong/ Schreuder/Baayen 2000). Note that the family size effect implies that higher-frequency complex words have a semantic processing advantage over lowerfrequency complex words in addition to the advantage they have at the level of orthographic and phonological form due to the shifting balance of base frequency and full form frequency. As higher-frequency words tend to be better integrated in the semantic system, they are more easily available for further word formation. This leads to the productivity paradox studied by (Krott/ Schreuder/Baayen 1999), namely, that a greater category-conditioned degree of productivity implies that the formations of the corresponding morphological category are relatively seldom used as building blocks for further word formation. The relative underrepresentation of productive word formation patterns among base words is a consequence of the relative scarcity of high-frequency formations among the more productive categories. The dense correlational structure of word frequency and irregularity, word length, availability for further word formation, phonological and semantic transparency, and family size underlies the usefulness of the category-conditioned degree of productivity as a statistical measure. Precisely because it is calculated on the basis of only those formations that belong to a given category, and because all formations in the category are taken into account in the token count N, P provides a reasonable estimate of the potentiality of a word formation pattern. It is unclear to how the rule-based approach of (Anshen/Aronoff 1988, 1996) to productivity might account for the complex relations between frequency and its associ-

253

17. Morphological productivity

Fig. 17.5: The correlation of morphological family size and frequency of use for simplex base words (left panel) and bi-morphemic base words (right panel). The solid lines are non-parametric regression smoothers. The dashed line in the second panel represents the smoother for the simplex words shown in the left panel.

ated variables on the one hand and productivity on the other. Anshen and Aronoff argue that complex words with fully productive affixes are processed on-line by means of symbolic rules, and that such formations do not leave behind individual memory traces in the mental lexicon. Only those complex words would be available as such in the mental lexicon for which no synchronic productive word formation rule exists. However, psycholinguistic evidence (Taft 1979, Sereno/Jongman 1995, Baayen/Dijkstra/Schreuder 1997, Allegre/Gordon 1999, Bertram/Schreuder/Baayen, 2000, Baayen/Schreuder/De Jong/Krott 2002) suggests that regular complex words across a wide range of frequencies of use are stored in the mental lexicon. This implies that the difference between productive and unproductive word formation cannot be explained in terms of storage versus rule-based processing in the mental lexicon. Given the extensive storage of regular complex words in lexical memory, analogical approaches to word formation (Skousen 1989, Van den

Bosch/Daelemans/Weijters 1996; Krott/Baayen/Schreuder 2001) seem more promising. The productivity of a word formation pattern can then be seen as crucially depending the number of existing words in the mental lexicon that are most similar to each other and as dissimilar as possible from simplex words. The analogical strength of word formation patterns would then reside primarily in gangs of low-frequency formations in the mental lexicon.

5.

Literature (a selection)

Allegre, Maria/Gordon, Peter (1999), Frequency effects and the representational status of regular inflections, Journal of Memory and Language 40, 41K61. Anshen, Frank/Aronoff, Mark (1981), Morphological productivity and morphological transparency, The Canadian Journal of Linguistics 26, 63K72. Anshen, Frank/Aronoff, Mark (1988), Producing morphologically complex words, Linguistics 26, 641K655.

254

III. Gebiete und Phänomene: Morphologie / Fields and phenomena: morphology

Anshen, Frank/Aronoff, Mark (1997), Morphology in real time, In: Yearbook of Morphology 1996. (eds. G. R. Booij/J. van Marle). Dordrecht: Kluwer Academic Publishers, 9K12. Aronoff, Mark (1976), Word Formation in Generative Grammar. Cambridge, Mass.: The MIT Press. Baayen, R. Harald (1991), A stochastic process for word frequency distributions. Proceedings of the 29th annual meeting of the Association for Computational Linguistics, Association for Computational Linguistics, Berkeley, 271K278. Baayen, R. Harald (1994a), Derivational productivity and text typology, Journal of Quantitative Linguistics 1,16K34. Baayen, R. Harald (1994b), Productivity in language production, Language and Cognitive Processes 9, 447K469. Baayen, R. Harald (1996), The effect of lexical specialization on the growth curve of the vocabulary, Computational Linguistics 22, 455K480. Baayen, R. Harald (2001), Word Frequency Distributions. Dordrecht: Kluwer Academic Publishers. Baayen, R. Harald/Neijt, Anneke (1997), Productivity in context: a case study of a Dutch suffix, Linguistics 35, 565K587. Baayen, R. Harald/Renouf, Antoinette (1996), Chronicling The Times: Productive Lexical Innovations in an English Newspaper, Language 72, 69K96. Baayen, R. Harald/Sproat, Richard (1996), Estimating lexical priors for low-frequency morphologically ambiguous forms, Computational Linguistics 22, 155K166. Baayen, R. Harald/Tweedie, Fiona J. (1998), Enhancing LNRE models with partition-based adjustment, Proceedings of JADT 1998, Université Nice Sophia Antipolis, Nice, 29K37. Baayen, R. Harald/Dijkstra, Ton/Schreuder, Robert (1997), Singulars and plurals in Dutch: Evidence for a parallel dual route model, Journal of Memory and Language 36, 94K117. Baayen, R. Harald/Piepenbrock, R./Gulikers, Leon (1995), The CELEX lexical database (CDROM). Philadelphia, PA: Linguistic Data Consortium, University of Pennsylvania. Baayen, R. Harald/Schreuder, Robert/De Jong, Nivja H./Krott, Andrea (2002), Dutch inflection: The rules that prove the exception. In: Storage and Computation in the Language Faculty, (eds. S. Nooteboom/F. Weerman/R. Wijnen, eds), Dordrecht: Kluwer Academic Publishers, 61K92. Bertram, Raymond/Baayen, R. Harald/Schreuder, Robert (2000), Effects of family size for complex words, Journal of Memory and Language 42, 390K405. Bertram, Raymond/Schreuder, Robert/Baayen, R. Harald (2000), The balance of storage and compu-

tation in morphological processing: the role of word formation type, affixal homonymy, and productivity, Journal of Experimental Psychology: Learning, Memory, and Cognition 26, 419K511. Booij, Geert E. (1977), Dutch Morphology. A Study of Word Formation in Generative Grammar, Foris, Dordrecht. Cutler, Anne (1980), Productivity in word formation, CLS 16, 45K51. De Jong, Nivja H./Schreuder, Robert/Baayen, R. Harald (2000), The morphological family size effect and morphology, Language and Cognitive Processes 15, 329K365. Dubois, Jean (1962), Etude sur la dérivation suffixale en Franc¸ais moderne et contemporain. Paris: Larousse. Harwood, F. W./Wright, A. M. (1956), Statistical study of English word formation, Language 32, 260K273. Hay, Jennifer B. (2001), Lexical frequency in morphology: Is everything relative?, Linguistics 39, 1041K1070. Hay, Jennifer B. (2003), Causes and consequences of word structure. New York: Routledge. Hay, Jennifer B./Baayen, R. Harald (2002), Parsing and productivity. In: Yearbook of Morphology 2001. (eds. G. E. Booij/J. v. Marle), Dordrecht: Kluwer Academic Publishers, 203K235. Hubert, Pierre/Labbé, Dominique (1988), A model of vocabulary partition, Literary and Linguistic Computing 3, 223K225. Köhler, Reinhard (1986), Zur linguistischen Synergetik: Struktur und Dynamik der Lexik. Bochum: Brockmeyer. Krott, Andrea/Baayen, R. Harald/Schreuder, Robert (2001), Analogy in morphology: modeling the choice of linking morphemes in Dutch, Linguistics 39 (1), 51K93. Krott, Andrea/Schreuder, Robert/Baayen, R. Harald (1999), Complex words in complex words, Linguistics 37 (5), 905K926. Marle, Jaap van (1985), On the Paradigmatic Dimension of Morphological Creativity. Dordrecht: Foris. Neuhaus, Hans J. (1973), Zur Theorie der Produktivität von Wortbildungssystemen. In: Linguistische Perspektiven. Referate des VII Linguistischen Kolloquiums Nijmegen 1972. (eds. A. P. Cate/P. Jordens), Tübingen: Niemeyer, 305K317. Paivio, Allan/Yuille, John C./Madigan, Stephen (1968), Concreteness, imagery, and meaningness values for 925 nouns, Journal of Experimental Psychology Monograph. Plag, Ingo/Dalton-Puffer, Christiane/Baayen, R. Harald (1999), Productivity and register, Journal of English Language and Linguistics 3, 209K228. Reder, Lynne M./Anderson, John R./Bjork, Robert A. (1974), A semantic interpretation of en-

18. Morphlänge coding specificity, Journal of Experimental Psychology 102, 648K656.

255

Sereno, Joan/Jongman, Allard (1997), Processing of English inflectional morphology, Memory and Cognition 25, 425K437.

Taft, Marcus (1979), Recognition of affixed words and the word frequency effect, Memory and Cognition 7, 263K272. Uit den Boogaart, Piet C. (ed.) (1975), Woordfrequenties in Gesproken en Geschreven Nederlands. Utrecht: Oosthoek, Scheltema & Holkema. Van den Bosch, Antal/Daelemans, Walter/Weijters, Ton (1996), Morphological analysis as classification: an inductive learning approach, Proceedings of NEMLAP 1996, Ankara, 59K72. Zipf, George K. (1935), The Psycho-Biology of Language. Boston: Houghton Mifflin.

Skousen, Royal (1989), Analogical Modeling of Language. Dordrecht: Kluwer.

R. Harald Baayen, Nijmegen (The Netherlands)

Schreuder, Robert/Baayen, R. Harald (1997), How complex simplex words can be, Journal of Memory and Language 37, 118K139. Schultink, Henk (1961), Produktiviteit als morfologisch fenomeen, Forum der Letteren 2, 110K 125.

18. Morphlänge 1. 2. 3. 4. 5. 6. 7. 8.

Morphlänge in der Forschung Annahmen zu einer Theorie der Verteilungen von Morphlängen Was ist ein Morph? Länge der Morphe Die Verteilung von Morphlängen Das Ordsche Kriterium Perspektiven Literatur (in Auswahl)

1.

Morphlänge in der Forschung

Untersuchungen zur Morphlänge scheinen bisher ausgesprochen rar zu sein. Nur wenige Arbeiten können hier benannt werden, die sehr unterschiedliche Intentionen verfolgen. Einige der Untersuchungen galten der Frage, ob das sog. Menzerath-AltmannGesetz (Altmann/Schwibbe 1989; Hřebíček 1997, 23) auch auf morphologischer Ebene nachgewiesen werden kann. Dieses Gesetz besagt, dass bei zunehmender Größe der Konstrukte (z. B. Wörter) deren Konstituenten (z. B. Morphe) dazu tendieren, kürzer zu werden. Gerlach (1982) hat diesen Zusammenhang am Beispiel des deutschen Wörterbuchs von Wahrig (1978) geprüft und bestätigt; weitere erfolgreiche Überprüfungen dieses Gesetzes haben Hřebíček (1997, 50 ff.) an türkischem sowie Krott (1996, 31 ff.) an deutschem, englischem und niederländischem Material durchgeführt. Auch andere Themen werden behandelt. So widmet Gorot’ (1990) einen kurzen Artikel der Frage, ob man englische Präfixe, Suffixe, Wurzelmorpheme und Silben aufgrund ihrer Länge unterscheiden kann. Kempgen

(1995b, 30) untersucht, „inwieweit die russischen Präsensmorpheme im Hinblick auf ihre Länge optimiert sind“ und kommt zu dem Schluss, dass „die Optimierung auf möglichst geringen Zeitaufwand hin also durchaus eine Rolle [spielt]“ (Kempgen 1995a, 56), andere Faktoren wie Redundanz aber auch in Betracht gezogen werden müssen. Man muss damit feststellen, dass Arbeiten zur Länge von Morphen bzw. Morphemen noch kaum begonnen wurden. Eine weitere naheliegende Frage, die anscheinend noch kaum gestellt wurde, ist die nach der Einbeziehung der Morphe/Morpheme in den Köhlerschen Regelkreis (Köhler 1986, 74); da Wörter bzw. Lexeme in diesem Regelkreis ihren Platz haben und Gerlach (1982), Hřebíček (1997) und Krott (1996) ja nachweisen konnten, dass Morphe mit Wörtern interagieren, sollte es möglich sein, auch Morphe hier zu integrieren. Einen ersten Versuch dazu hat Krott (1994, 39K44) in einer nicht veröffentlichten Untersuchung unternommen (vgl. Art. 16); sie überprüft wiederum an deutschem, englischem und niederländischem Material die Hypothese, dass die Morphlänge mit der Morph-TokenFrequenz interagiert (Krott 1994, 43 f.; 78K88). Weitere Hypothesen betreffen die Erwartung, dass die Morphlänge auch mit der Phonotaktik und dem Umfang des Morphinventars einer Sprache in Zusammenhang stehen müssten (Krott 1994, 40 ff.). In dem hier vorliegenden Artikel geht es aber nicht darum, Morphe in den Köhler-

256

III. Gebiete und Phänomene: Morphologie / Fields and phenomena: morphology

schen Regelkreis zu integrieren, sondern um eine andere Fragestellung: Folgen die Morphlängen den gleichen Prinzipien, die ursprünglich für Wortlängen entwickelt wurden (Wimmer/Köhler/Grotjahn u. a. 1994; Wimmer/Altmann 1996) und für diese in vielen Fällen (Best/Altmann 1996; Best 1999; 2001a) ebenso bestätigt werden konnten wie auch in einigen Arbeiten für die Satz- (Niehaus 1997) und Silbenlängen (Best 2001d). Dieser Frage scheint bisher niemand nachgegangen zu sein.

2.

Annahmen zu einer Theorie der Verteilungen von Morphlängen

Ausgangspunkt für Überlegungen zu einer Theorie der Morphlängenverteilungen kann die Annahme von Fucks (1956, 20) sein, dass eine „allgemeine Theorie der Sprachelemente“ möglich ist, die „jedes Sprachelement in jeder Sprache in seinem Aufbau aus seinen Komponenten anschaulich deutet und quantitativ beschreibt.“ Dabei ist analog zu den Annahmen von Grotjahn/Altmann (1993) damit zu rechnen, dass die Verteilungen in Texten und im Lexikon unterschiedlich sein können. Bisher existiert eine Theorie mit derart allgemeinem Anspruch nicht; es gibt aber keinen zwingenden Grund, warum sich Morphlängen grundsätzlich anders verhalten sollten als Wortlängen; die Annahmen zur Verteilung von Wortlängen sind so allgemein gehalten, dass sie ohne weiteres auf Morphlängen übertragen werden können. Danach kann angenommen werden, dass Morphe einer beliebigen Längenklasse P2 proportional zu der Längenklasse P1 vorkommen werden: P2 w P1. Das bedeutet, dass die Zahl etwa der dreiphonemigen Morphe abhängig ist von der Häufigkeit, mit der zweiphonemige Morphe vorkommen. Da die Proportion sich von Längenklasse zu Längenklasse ändert, kann man dies mit der Funktion Px Z g (x) PxK1.

(1)

zum Ausdruck bringen. Dabei steht die Funktion g (x) für die Änderung der Proportionen bei den verschiedenen Morphlängen. Die Funktion g (x) kann nun verschiedene Formen annehmen, die sich allerdings bisher noch nicht von vornherein aufgrund theoretischer Überlegungen vorhersagen lässt, wie dies eigentlich wünschenswert wäre. Stattdessen ist vorläufig nur der umgekehrte Weg

möglich: Man erstellt Dateien zur Häufigkeit der unterschiedlichen Morphlängen und untersucht, welche der Verteilungen, die aufgrund der Theorie dafür infrage kommen, an die betreffenden Dateien mit Erfolg angepasst werden können. Danach kann versucht werden, dieses Ergebnis zu interpretieren. Das Verfahren gestaltet sich also ganz analog zu dem, das bei der Bearbeitung von Wortlängen (vgl. Art. 19) angewendet wurde. Es ist auch denkbar, dass die Ergebnisse bei Morphlängen einmal ganz ähnlich sein werden, wie sie sich bei Wortlängen gezeigt haben. Dies könnte bedeuten, dass ein Grundmodell zu finden sein sollte, das sich oft bei verschiedenen Sprachen, Autoren, Stilen, Textsorten etc. bewährt; andere Modelle können dann notwendig werden, wenn einzelne der genannten Faktoren sich besonders stark bemerkbar machen. Auch hier ist zunächst einmal damit zu rechnen, dass vor allem die jeweils untersuchte Sprache ein besonders bestimmender Einflussfaktor sein wird. All dies ist aber vorläufig Spekulation, da zu Morphlängen nahezu keine Erfahrungen vorliegen. Zusammenfassend noch einmal die Überlegungen, die der Untersuchung von Morphlängen zugrunde liegen: (a) Es wird angenommen, dass Morphlängen grundsätzlich Gesetzen folgen, so wie das andere Einheiten offensichtlich ebenfalls tun. Den allgemeinen Hintergrund für diese Annahme bildet die Überzeugung der Wissenschaftstheorie, pointiert ausgedrückt von Bunge (1977, 17): „Every thing abides by laws.“ (b) Mangels einer speziellen Theorie der Morphlängen wird in Anknüpfung an Fucks (1956) angenommen, dass Morphlängen grundsätzlich den gleichen Gesetzen unterliegen wie Wortlängen; es sind übrigens die gleichen Gesetze, die auch die Längen anderer Einheiten steuern: Sätze (Niehaus 1997), Silben (Best 2001d) und rhythmische Einheiten (Best 2001e) zeigen genau die gleichen Verteilungen (vgl. Art 14 und 22).

3.

Was ist ein Morph?

Will man Morphlängen in Texten oder im Lexikon hinsichtlich ihrer Häufigkeitsverteilungen untersuchen, hat man das Problem, die Einheit „Morph“ definieren zu müssen. Hier treten andere Schwierigkeiten auf als

257

18. Morphlänge

bei „Wort“ und „Satz“, die in der Forschung oft mit operationalen Definitionen bestimmt werden, die sich etwa am Druckbild dieser Einheiten orientieren: Wörter wie Sätze zeigen deutliche Grenzmerkmale wie Leerstellen oder Interpunktionszeichen; meist reichen wenige Zusatzbestimmungen aus, um zu praktikablen Lösungen zu kommen. Bei Morphen ist ein solches Vorgehen nicht möglich, da sie als Wörter, aber an beliebigen Positionen komplexer Wörter auch als deren Konstituenten vorkommen können. Die „Morph“-Definition muss sich also anders orientieren. Bei Morphen handelt es sich um Wörter oder Wortkonstituenten, die nicht noch weiter in kleinere Einheiten segmentiert werden können, die selbst noch eine Bedeutung oder grammatische Funktion erfüllen. Es ist üblich, Morphe als Segmente der parole, der gesprochen oder geschrieben realisierten Sprache, zu verstehen; klassifiziert man sie nach Kriterien der phonetischen, funktionalen und semantischen Ähnlichkeit oder Gleichheit, so werden sie als Realisationsformen von Morphemen, als deren Allomorphe, identifiziert. Wenn man nach einem praktikablen Verfahren der Segmentierung von Wörtern in Morphe sucht, so bietet sich u. a. Greenbergs square-Methode an (Greenberg 1960, 188 ff.), die bei Berücksichtigung einiger Vorsichtsmaßnahmen zu brauchbaren Ergebnissen führt. Bei allen Segmentierungsverfahren stößt man jedoch auf ein Grundproblem: Wie streng sollen die Kriterien der phonetischen, grammatischen und semantischen Identifizierbarkeit angewendet werden? Darf ein Wort nur dann segmentiert werden, wenn es wie im Falle von hör-en, Hör-er, hör-bar seine Bedeutung und seine grammatische Funktion eindeutig aus seinen Konstituenten bezieht, oder können auch so problematische Fälle wie -t in Fahr-t, Saa-t, Gebur-t segmentiert werden? In diesen Fällen kann man dem Affix -t immerhin noch eine grammatische Funktion, Substantivierung zu einem gebräuchlichen Verb, zusprechen. Was ist dann aber mit Wörtern wie Schlach-t, das man synchron sicher eher zu schlacht-en als etymologisch korrekt zu schlag-en stellen würde? Oder wie soll man etwa Schluch-t (?) behandeln, zu dem es im gegenwärtigen Deutschen ebenso wie etwa zu Fur-t (?) kein Verb gibt, dessen Substantivierung es bewirken könnte? Was wäre mit Kluf-t (Geländeformation), Trach-t, Trif-t, für die man zur Not im Deutschen Verben

finden kann, deren Substantivierung diese Wörter darstellen könnten, wobei klaff-en (zu Kluf-t) nur volksetymologisch möglich ist? Dieser Exkurs zu den tatsächlichen oder potentiellen -t-Morphen zeigt, dass mit einer erheblichen „Grauzone“ zwischen eindeutiger Segmentierbarkeit und ebenso eindeutiger Nichtsegmentierbarkeit, also mit Graden der Segmentierbarkeit, zu rechnen ist, in der verschiedene Forscher die Entscheidungen unterschiedlich treffen werden. Ein Vorschlag für die Behandlung solcher Probleme im Deutschen ist in Best (2001c) entwickelt.

4.

Länge der Morphe

Wie bei allen anderen Einheiten auch, kann man die Länge von Morphen verschieden definieren: Man kann sie vor allem danach bestimmen, aus wie vielen Buchstaben, Lauten, Phonemen oder Silben sie bestehen. Die einfachste Auswertung erlaubt das Auszählen der Buchstaben pro Morph; der Nachteil dieser Variante besteht darin, dass die orthographische Wiedergabe von Wörtern sehr unterschiedlichen Prinzipien unterliegt; vgl. dazu etwa die Schreibprinzipien des Deutschen (Garbe 1980, 206 f.). Wählt man stattdessen die Zahl der Silben pro Morph, so hat man eine Einheit gewählt, die in der Hierarchie der sprachlichen Einheiten eine Wortkonstituente neben den Morphen darstellt, diesen aber nicht untergeordnet ist. Aus diesen Gründen kann man vielleicht doch die Zahl der Laute oder der Phoneme pro Morph als die Art der Bestimmung der Morphlänge betrachten, mit der man entsprechende Untersuchungen beginnen kann. Es spricht natürlich nichts dagegen, dann auch die anderen Möglichkeiten der Bestimmung der Morphlängen zu berücksichtigen.

5.

Die Verteilung von Morphlängen

Es gibt bisher wohl nur zwei Untersuchungen, die sich mit der Verteilung von Morphlängen in Texten befassen, nämlich die Studien (Best 2000; Best 2001c). Die Untersuchung (Best 2001c) widmet sich recht ausführlich der oben angeschnittenen Frage, wie ein für das Deutsche brauchbares Verfahren zur Segmentierung von Wörtern in Morphe aussehen kann, und stellt dann die Morphlängen, gemessen nach der Zahl der Phoneme pro Morph, für 21 Nachrichten-

258

III. Gebiete und Phänomene: Morphologie / Fields and phenomena: morphology

texte einer regionalen Tageszeitung vor; in Best (2000) werden nach demselben Verfahren 20 Fabeln von Pestalozzi bearbeitet. Das Problem, welche Verteilung daraufhin zu prüfen ist, ob sie ein geeignetes Modell für diese Texte darstellt, wurde wie folgt vorläufig gelöst: Bei der Untersuchung von Wortlängen in vielen Sprachen hatte sich gezeigt, dass die 1-verschobene Hyperpoisson-Verteilung Px Z

axK1 b(xK1) 1F1 (1; b; a)

, x Z 1, 2, ...

(2)

so etwas wie ein Grundmodell darstellt, das in besonders vielen Sprachen angewendet werden kann; alle anderen Verteilungen sind verglichen mit dieser in ihrer „Reichweite“ deutlich eingeschränkt. Da zu Morphlängen bisher überhaupt keine derartigen Erfahrungen vorliegen, kann man es zunächst mit einem solchen bewährten Modell versuchen. In Formel (2) sind a und b Parameter; 1F1 (1; b; a) ist die konfluente hypergeometrische Funktion, d. h. 1F1

(1; b; a) Z 1 C

a

b

C

b (b C 1)

C ...

25 20 beob.

15

theor.

5 0

und b(xK1) Z b (b C 1) (b C 2) ... (b C x K 2). Die Ergebnisse waren auf Anhieb hervorragend; an alle 41 Texte konnte diese Verteilung mit Hilfe des Altmann-Fitters (1994) erfolgreich angepasst werden. Im Falle von Text 1 (Best 2001c: „Sieben Deutsche im Jemen entführt“, Eichsfelder Tageblatt v. 6. 3. 97, S. 8) ergab sich:

Tab. 18.1. X

nx

NPx

1 2 3 4 5 6

24 27 22 12 4 1

23.20 29.24 21.09 10.62 4.12 1.76

S

90

a b X FG P

30

10

2

a

Dabei bedeuten: a, b K Parameter der Verteilung; x K Zahl der Phoneme pro Morph; nx K beobachtete Zahl der Morphe der Länge x; NPx K aufgrund der 1-verschobenen Hyperpoisson-Verteilung berechnete Zahl der Morphe der Länge x; X 2 K das Chiquadrat; FG K Freiheitsgrade; P K Überschreitungswahrscheinlichkeit des Chiquadrats. Eine Anpassung ist zufriedenstellend, wenn P R 0.05, was in diesem Fall und bei allen anderen, hier nicht dokumentierten Texten ebenfalls gegeben ist. Auch die folgende Graphik bestätigt die gute Übereinstimmung zwischen den beobachteten und berechneten Werten:

Z 1.6815 Z 1.3342 Z 0.739 Z3 Z 0.86

Abb. 18.1.

Man darf also feststellen, dass diese ersten Versuche zur Verteilung von Morphlängen die Erwartung erfüllen, dass auch in diesem Fall offenkundig eine Gesetzmäßigkeit zugrunde liegt.

6.

Das Ordsche Kriterium

Wie bei den Verteilungen der Wortlängen (vgl. Art. 19) kann man auch bei Morphlängen die Frage stellen, ob die Texte, die zu einer bestimmten Gruppe gehören, sich untereinander ähnlich sind oder nicht. Um dies herauszufinden, lässt sich wiederum eine empirische Abwandlung des Ordschen Kriteriums (Ord 1972, 98 f.; 133 ff.) verwenden, das sich auf die Momente der benutzten Verteilungen stützt (Altmann 1988, 48 ff.). Dabei handelt es sich um m1 Z mr Z

1 N 1 N

∑ xfx

(Mittelwert), und

∑ (x K m1)r fx ,

r R 2,

259

18. Morphlänge

wobei m2 die Varianz und m3 die Schiefe oder Asymmetrie der Verteilung darstellen. Hieraus lassen sich nun zwei Größen, I Z m2 / m1 und S Z m3 / m2 berechnen. Die Größen I und S kann man in ein Koordinatensystem !I, SO eintragen und zur Veranschaulichung der Homogenität der Textgruppe verwenden. Dies sei am Beispiel der in Best (2001c) bearbeiteten Pressetexte demonstriert, die ja einer einzigen Textsorte angehören und daher eine gewisse Homogenität aufweisen könnten. Tab. 18.2: Das Ordsche Kriterium für Morphlängen deutscher Pressetexte m1

m2

m3

I

S

2.42 2.47 2.52 2.51 2.50 2.63 2.50 2.49 2.59 2.62 2.38 2.38 2.52 2.56 2.68 2.45 2.54 2.62 2.51 2.52 2.66

1.44 2.04 1.58 1.15 1.33 2.04 1.74 1.67 2.08 1.67 1.13 1.48 1.78 2.11 2.25 1.90 1.67 1.87 1.67 1.27 2.14

1.05 6.25 2.88 0.35 1.55 3.11 3.00 1.78 4.88 2.34 0.48 1.86 2.77 4.35 4.61 3.65 1.64 2.56 2.03 0.80 4.03

0.60 0.83 0.63 0.46 0.53 0.78 0.70 0.40 0.80 0.64 0.47 0.62 0.71 0.82 0.84 0.78 0.66 0.71 0.67 0.50 0.80

0.73 3.06 1.82 0.30 1.17 1.52 1.72 1.07 2.35 1.40 0.42 1.26 1.56 2.06 2.05 1.92 0.98 1.37 1.22 0.63 1.88

S

3,5 3 2,5 2 1,5 1 0,5 0 0,2

0,4

0,6

0,8

1

I

Abb. 18.2: Das Ordsche Kriterium für Morphlängen in deutschen Pressetexten

Die Graphik zeigt, dass in dieser kleinen Gruppe von 21 Pressetexten eine erhebliche Streuung zu beobachten ist.

Perspektiven

Da die Untersuchungen zu den Verteilungen von Morphlängen noch kaum begonnen haben, kann man sich bisher auch nicht auf nennenswerte Ergebnisse stützen. Die hier referierten ersten Versuche sind vor allem im Kontext zu den wesentlich weiter fortgeschrittenen Untersuchungen zu den Verteilungen von Wort-, Satz- und Silbenlängen zu sehen, wobei besonders aus den Erfahrungen mit Wortlängen (Best 1999; Best 2001b) Perspektiven gewonnen werden können. Die ersten Untersuchungen von Morphlängen zeigen Übereinstimmungen mit den Erfahrungen bei anderen Größen; es ist zu erwarten, dass sich bei weiterer Forschung vergleichbare Ergebnisse einstellen werden. Man darf also annehmen, dass die erfolgreiche Anpassung der Hyperpoisson-Verteilung kein Zufall ist, sondern dass auch bei weiteren Arbeiten diese oder eine der anderen Verteilungen, die sich besonders bei Wortlängen bewährt haben, auch bei Morphlängen erfolgreich sein werden. Ein wichtiger Unterschied zu den Untersuchungen der übrigen Einheiten wird besonders darin bestehen, dass Morphe größere Definitionsprobleme an den Forscher stellen und daher auch die Gefahr wächst, dass verschiedene Bearbeiter zu sehr unterschiedlichen Ergebnissen kommen können.

8.

Daraus ergibt sich folgende Graphik:

0

7.

Literatur (in Auswahl)

Altmann, Gabriel (1988), Wiederholungen in Texten. Bochum: Brockmeyer. Altmann, Gabriel/ Schwibbe, Michael H. (1989), Das Menzerathsche Gesetz in informationsverarbeitenden Systemen. Hildesheim: Olms. Altmann-Fitter (1994), Lüdenscheid: RAM-Verlag. Altmann-Fitter. Iterative Fitting of Probability Distributions (1997). Lüdenscheid: RAM-Verlag. Best, Karl-Heinz (1999), Quantitative Linguistik: Entwicklung, Stand und Perspektive. In: Göttinger Beiträge zur Sprachwissenschaft 2, 7K23. Best, Karl-Heinz (2000), Morphlängen in Fabeln von Pestalozzi. In: Göttinger Beiträge zur Sprachwissenschaft 3, 19K30. Best, Karl-Heinz (2001a), Probability Distributions of Language Entities. In: Journal of Quantitative Linguistics 8, 1K11. Best, Karl-Heinz (2001b), Kommentierte Bibliographie zum Göttinger Projekt. In: Best 2001, 284K310. Best, Karl-Heinz (2001c), Zur Länge von Morphen in deutschen Texten. In: Best 2001, 1K14.

260

III. Gebiete und Phänomene: Morphologie / Fields and phenomena: morphology

Best, Karl-Heinz (2001d), Silbenlängen in Meldungen der Tagespresse. In: Best 2001, 15K32. Best, Karl-Heinz (2001e), Zur Verteilung rhythmischer Einheiten in deutscher Prosa. In: Best 2001, 162K166. Best, Karl-Heinz (Hrsg.), (2001), Häufigkeitsverteilungen in Texten. Göttingen: Peust & Gutschmidt. Best, Karl-Heinz/Altmann, Gabriel (1996), Project Report. In: Journal of Quantitative Linguistics 3, 85K88. Bunge, Mario (1977), Treatise on Basic Philosophy, Vol. 3: Ontology I: The Furniture of the World. Dordrecht: Reidel. Fucks, Wilhelm (1956), Die mathematischen Gesetze der Bildung von Sprachelementen aus ihren Bestandteilen. In: Nachrichtentechnische Fachberichte 3, 7K21. Garbe, Burckhard (1980), Das sogenannte „etymologische“ Prinzip der deutschen Schreibung. In: Zeitschrift für Germanistische Linguistik 8, 197K210. Gerlach, Rainer (1982), Zur Überprüfung des Menzerath’schen Gesetzes im Bereich der Morphologie. In: Glottometrika 4. (Eds. Lehfeldt, Werner/Strauss, Udo). Bochum: Brockmeyer, 95K102. Gorot’, E. I. (1990), Izomorfnye i otličitel’nye čerty morfemy i sloga v raspredelenii dliny. In: Kvantitativnaja lingvistika i avtomatičeskij analiz tekstov (UZTU 912), 32K36. Greenberg, Joseph H. (1960), A Quantitative Approach to the Morphological Typology of Language. In: International Journal of American Linguistics 26, 178K194. Grotjahn, Rüdiger/Altmann, Gabriel (1993), Modelling the Distribution of Word Length: Some Methodological Problems. In: Contributions to

Quantitative Linguistics. (Eds. Reinhard Köhler/ Burghard B. Rieger). Dordrecht: Kluwer, 141K153. Hřebíček, Luděk (1997), Lectures on Text Theory. Prague: Academy of Sciences of the Czech Republic, Oriental Institute. Kempgen, Sebastian (1995a), Kodierung natürlicher Sprache auf morphologischer Ebene. In: WSLAV XL, 52K57. Kempgen, Sebastian (1995b), Russische Sprachstatistik. München: Sagner. Köhler, Reinhard (1986), Zur linguistischen Synergetik: Struktur und Dynamik der Lexik. Bochum: Brockmeyer. Krott, Andrea (1994), Ein funktionalanalytisches Modell der Wortbildung. Magisterarbeit, Trier. Krott, Andrea (1996), Some Remarks on the Relation between Word Length and Morpheme Length. In: Journal of Quantitative Linguistics 3, 29K37. Niehaus, Brigitta (1997), Untersuchung zur Satzlängenhäufigkeit im Deutschen. In: Best, KarlHeinz (Hrsg.), Glottometrika 16. Trier: Wissenschaftlicher Verlag Trier, 213K275. Ord, J. K. (1972), Families of frequency distributions. London: Griffin. Wahrig, Gerhard (Hrsg.). (1978), dtv-Wörterbuch der deutschen Sprache. München: Deutscher Taschenbuch Verlag. Wimmer, Gejza/Altmann, Gabriel (1996), The Theory of Word Length Distribution: Some Results and Generalizations. In: Glottometrika 15. (Hrsg. Peter Schmidt). Trier: Wissenschaftlicher Verlag Trier, 112K133. Wimmer, Gejza/Köhler, Reinhard/Grotjahn, Rüdiger/Altmann, Gabriel (1994), Towards a Theory of Word Length Distribution. In: Journal of Quantitative Linguistics 1, 98K106.

Karl-Heinz Best, Göttingen (Deutschland)

19. Wortlänge 1. 2.

4. 5. 6. 7. 8.

Wortlänge in der Forschung Verteilungen von Wortlängen in Lexikon und Text Ziel der Untersuchungen, Textauswahl und Definition der Einheiten, Testverfahren Weitere Forschungsaspekte Ergebnisse Das Ordsche Kriterium Perspektiven Literatur (in Auswahl)

1.

Wortlänge in der Forschung

3.

Wort, Satz und Text sind K neben Buchstaben bzw. Lauten K für jeden Sprachnutzer

die geläufigsten sprachlichen Einheiten; ihre auffälligste Eigenschaft ist ihre Länge. Besonders die Länge von Wörtern hat schon seit langem auch die Aufmerksamkeit der Sprachwissenschaftler gefunden. Bereits im 19. Jh. ist erwogen worden, ob man Probleme der Identifikation unbekannter Autoren nicht durch Untersuchung von Wortlängen lösen könne. So zitiert Lord (1958, 282) einen Brief De Morgans vom 18. 8. 1851, in dem dieser vorschlägt, das Problem der Autorschaft der Paulsbriefe mit Hilfe des Kriteriums der Wortlänge zu lösen. Im Zusam-

19. Wortlänge

menhang mit der Frage, wie viele Wörter man bilden könne, wenn man ein Alphabet mit 23 oder gar 48 Buchstaben zur Verfügung hat, bezieht Pott (1884, 19 f.) Erkenntnisse über die Länge von Wörtern in mehreren Sprachen mit ein, darunter Sanskrit, Griechisch, Latein, Englisch, Althochdeutsch, „Grönländisch“ und die Indianersprachen. Ein weiterer Forschungsaspekt ist die Frage, wie man die Verständlichkeit von Texten möglichst einfach bestimmen kann; über Versuche zur Messung der Textschwierigkeit (Lesbarkeit, readability) berichtet u. a. Groeben (1982, 175 ff.); bei diesen Ansätzen spielt die Wortlänge eine herausragende Rolle (vgl. dazu ausführlicher Art. 64). Weitere für die quantitative Linguistik zentrale Forschungsaspekte seien noch erwähnt: Bei den Forschungen zu den Zipfschen Gesetzen, zum Menzerath-AltmannGesetz und zu Köhlers Regelkreis (linguistische Synergetik, vgl. Art. 53) findet die Wortlänge ebenfalls als eines der wichtigsten Kriterien Berücksichtigung (vgl. entspr. Kap. dieses Handbuchs); mit Greenberg (1960, 185) hat sie in Form des Syntheseindexes S Z M / W (Synthese Z Zahl der Morpheme eines Textes durch die Zahl seiner Wörter) Eingang in die Sprachtypologie gefunden. Diese Beispiele mögen genügen, um anzuzeigen, dass Wortlänge generell ein vielbeachteter und bedeutsamer Forschungsgegenstand für die Linguistik ist (vgl. auch Tuldava 1998, 98K104).

2.

Verteilungen von Wortlängen in Lexikon und Text

2.1. Entwicklung der Wortlängenforschung An die Verteilung von Wortlängen, also an die Frage, wie viele Wörter der unterschiedlichen Längen in einem Text oder in einem Lexikon einer bestimmten Sprache vorkommen, ist bei den in 1. genannten frühen Forschungen noch nicht gedacht. Solche Untersuchungen scheinen erst im 20. Jh. aufgekommen zu sein. Ein frühes Beispiel dafür sind Trubetzkoys Erhebungen zu Silbenlängen von Wörtern in zwei deutschen Texten (Trubetzkoy 1939; 41967, 231; Best 1999, 15), die er im Rahmen phonemstatistischer Erörterungen mitteilt. Für eine empirische Erhebung der Wortlängen in einem Lexikon kann man auf Menzerath (1954, 98) verwei-

261 sen. In der Zeit, da Trubetzkoy und Menzerath die von ihnen erarbeiteten empirischen Verteilungen erstellten, wurden erste Versuche angestellt, eine mathematische Theorie speziell der Wortlängenverteilungen, bald aber auch generell der Verteilungen von Spracheinheiten beliebiger Art zu entwickeln. Die mathematische Theoriebildung für die Wortlängenverteilungen hat folgenden Weg genommen: Am Anfang der Entwicklung steht der russische Mediziner Čebanov, der seine Überlegungen nach Auskunft seiner Familie (Best/Čebanov 2001) Ende 1940 in einigen Vorträgen vorstellte und damit auf heftige Ablehnung seitens der Linguisten stieß. Mit Unterstützung des Mathematikers Kolmogorov konnte er schließlich einen Aufsatz publizieren (Čebanov 1947), worin er die Poisson-Verteilung als закон („Gesetz“) für die Wortlängenverteilungen in Texten indoeuropäischer Sprachen vorschlug und überprüfte. Zu der gleichen Erkenntnis kam wenig später auch der Aachener Physiker Fucks (1955a; 1955b; 1956), der dieses Modell mit guten Ergebnissen an Textkorpora von 8 Sprachen überprüfte, darunter einige nichtindoeuropäische. Nur eine Sprache, Arabisch, zeigte größere Abweichungen, die Fucks (1956, 15) auf Korpusprobleme zurückführte. Es verdient festgestellt zu werden, dass Fucks keineswegs nur an eine spezielle Theorie der Wortlängenverteilungen dachte. In Fucks (1956, 7) entwickelt er zunächst „Gesetze ... für die Bildung von Wörtern aus Silben“ und „für die Bildung von Silben aus Lauten“ und skizziert eine „allgemeine Theorie der Sprachelemente“, in der die Gesetze der Wort- und die der Silbenbildung sich darstellen als „einfache Spezialfälle wesentlich allgemeinerer Gesetze, von denen wir vermuten dürfen, dass sie die relativen Häufigkeitsverteilungen der Bestandteile irgendeines Sprachelements beschreiben“. In Anerkennung der Verdienste von Čebanov und Fucks sprechen Piotrowski/Bektaev/ Piotrowskaja (1985, 256 ff.) von der „Čebanov-Fucksschen Verteilung“; sie weisen jedoch aufgrund der Beobachtung von Abweichungen darauf hin, dass diese Verteilung „nicht als ein Universalgesetz zur Beschreibung von grundlegenden Eigenschaften des Bildungsprozesses linguistischer Einheiten betrachtet werden kann“ (Piotrowski/Bektaev/Piotrowskaja 1985, 258). Allerdings hatte auch Fucks (1956) schon zwei gemischte

262

III. Gebiete und Phänomene: Morphologie / Fields and phenomena: morphology

Verteilungen entwickelt, die gemischte negative Binomialverteilung und die gemischte Poisson-Verteilung, deren Mischungsanteile gewichtet werden. Solche Verteilungen mit Gewichtungen nutzen im Anschluss an Fucks auch Bartkowiakowa/Gleichgewicht (1965), die die Wortlängenverteilungen in 9 polnischen Texten untersuchten und gute Ergebnisse erzielten, sowie Piotrowski/Bektaev/Piotrowskaja (1985, 262 ff.) für Wortlängen im Englischen. Anknüpfend an Čebanov (1947) haben auch Gačečiladze/Cilosani (1971) eine verallgemeinerte Verteilung als Modell für die Häufigkeit entwickelt, mit der verschiedene Einheiten, nicht nur Wörter verschiedener Längen, vorkommen können. Zu den erwähnten Versuchen, durch Verallgemeinerungen zu besseren Modellen zu kommen, ist festzustellen: Mischungen von Poisson-Verteilungen haben den Vorteil, dass sie die empirischen Daten besser erfassen als die einfache Čebanov-Fucks-Verteilung; ihr Nachteil besteht aber darin, dass sie eine relativ hohe Zahl von Parametern einführen, deren Schätzung und Interpretation mathematisch wie linguistisch Probleme bereiten. Es kommt hinzu, dass bei Wortlängen ebenso wie bei Morph- oder Silbenlängen oft nur wenige unterschiedliche Längenklassen in Texten zu beobachten sind; die Anpassung von Verteilungen mit vielen Parametern an Dateien mit wenigen Längenklassen ist aber nicht möglich. Zu einem ganz anderen Modell kam Herdan (1966, 198K206), als er die Wortlängen, gemessen nach der Zahl ihrer Buchstaben bzw. Phoneme, im Deutschen, Französischen und Italienischen untersuchte und fand, dass sie einer „lognormal distribution“ (Herdan 1966, 203) entsprechen (vgl. dazu auch Piotrowski/Bektaev/Piotrowskaja 1985, 278 ff.; Tuldava 1998, 99 f.). Hierzu kann angemerkt werden, dass K wie bei den Satzlängen (vgl. Altmann 1988b, 150) K bei den Mittelwerten mit erheblichen Schwankungen auch innerhalb von Texten zu rechnen ist und vor allem nicht nur der Zufall für die Verteilung verantwortlich ist, sondern auch Faktoren wie Textsorte, Funktionalstil, Adressat, etc. Ein weiterer Schritt zu einer Theorie der Wortlängenverteilungen wurde von Grotjahn (1982) getan, der ebenfalls Unstimmigkeiten bei der Überprüfung der Poisson-Verteilung bemerkte und kritisiert, dass Fucks von der Annahme ausgegangen sei, „dass

die einzelnen Ereignisse voneinander unabhängig sind und mit einer konstanten Wahrscheinlichkeit auftreten“; Grotjahn (1982, 55) argumentiert dagegen: „Es dürfte jedoch weit eher der sprachlichen Realität entsprechen, wenn man annimmt, dass zwar jedes einzelne Wort einer verschobenen PoissonVerteilung folgt ..., dass jedoch die Wahrscheinlichkeit nicht für jedes Wort gleich ist, sondern in Abhängigkeit von Faktoren wie (sprachlicher) Kontext, Themawechsel etc. variiert. Dies bedeutet, dass der Parameter Θ der verschobenen Poisson-Verteilung selbst wieder als Zufallsvariable anzusehen ist“. Durch Einsetzen einer Gammaverteilung für Θ kommt Grotjahn zur zusammengesetzten Poisson-Verteilung (Z negative Binomialverteilung) als Vorschlag für ein Modell der Wortlängenverteilung. Er demonstriert an einigen deutschen Texten sowie an Frequenzwörterbüchern, dass die negative Binomialverteilung bessere Ergebnisse als die Poisson-Verteilung erbringt (Grotjahn 1982, 68 ff.) und erwartet dasselbe für eine Reihe weiterer Sprachen (Grotjahn 1982, 73). Während Fucks noch fast ausschließlich mit mathematischen Überlegungen zu seinen Vorschlägen kam, zeigt Altmann (1988a, 57 ff.), dass man diese auch mit „linguistischen Mitteln“ begründen kann, indem man die sog. Zipfschen Kräfte (Unifikations- und Diversifikationskraft) bei der Entwicklung des mathematischen Ansatzes berücksichtigt. Die Modellierung gewinnt damit an linguistischem Gehalt. Grotjahn/Altmann (1993) erörtern Probleme, die bei der Modellierung von Verteilungen auftreten können und fordern u. a.: „... give your models a sound linguistic justification“ (Grotjahn/Altmann 1993, 151). Dieser Anforderung entsprechen die beiden Untersuchungen von Wimmer/Köhler/Grotjahn u. a. (1994) und Wimmer/Altmann (1996), die den derzeitigen Stand der Theorie der Wortlängenverteilungen repräsentieren, in höherem Maße als ihre Vorläufer. 2.2. Die aktuelle Theorie der Wortlängenverteilungen Wimmer/Köhler/Grotjahn u. a. (1994, 101) nehmen an, dass die Wortlängenklasse P2 in Texten proportional zur Wortlängenklasse P1 erscheint: P2 w P1; d. h.: die Zahl der zweisilbigen Wörter eines Textes ist davon abhängig, wie viele einsilbige Wörter er enthält; die Zahl der dreisilbigen ist abhängig

263

19. Wortlänge

von der Anzahl der zweisilbigen; etc. Da viele Beobachtungen zeigen, dass zwischen den Wortlängenklassen kein konstantes, sondern ein veränderliches Verhältnis herrscht, kann man dafür die folgende Gleichung aufstellen: Px Z g (x) PxK1.

(1)

Die Funktion g (x) steht dabei für die veränderliche Proportion zwischen benachbarten Längenklassen; sie kann verschiedene Formen annehmen. Wimmer/Altmann (1996, 114; 131 f.) führen insgesamt 21 infrage kommende Modelle für Wortlängenverteilungen an, die alle als „Spielarten“ aus der genannten Gleichung (1) entwickelt werden können. Setzt man g (x) Z a / (c C x), so erhält man nach entsprechender Umformung die Hyperpoisson-Verteilung, die in ihrer 1-verschobenen Form Px Z

a xK1 b (xK1) 1F1 (1; b; a)

600 500

, x Z 1, 2, ...

(2)

lautet. Dabei sind a und b Parameter; 1F1 (1; b; a) ist die konfluente hypergeometrische Funktion, d. h. 2

1F1

Dabei bedeuten: a, b K Parameter der Verteilung; x K Zahl der Silben pro Wort; nx K beobachtete Zahl der Wörter der Länge x; NPx K aufgrund der 1-verschobenen Hyperpoisson-Verteilung berechnete Zahl der Wörter der Länge x; X 2 K das Chiquadrat; FG K Freiheitsgrade; P K Überschreitungswahrscheinlichkeit des Chiquadrats. Eine Anpassung ist zufriedenstellend, wenn P O 0.05, was in diesem Fall gegeben ist. Die Graphik bestätigt die gute Übereinstimmung zwischen den beobachteten und den berechneten Werten.

a a C ... (1; b; a) Z 1C C b b (b C 1)

400 300

beob. theor.

200 100 0

Abb. 19.2.

und b (xK1) Z b (b C 1) (b C 2) ... (b C xK2). Diese Verteilung verdient, besonders hervorgehoben zu werden, da sie sich in mehrerlei Hinsicht als eine Art Grundmodell erwiesen hat, wie noch näher begründet wird. Die folgende Tabelle gibt ein Beispiel für die Anpassung der 1-verschobenen Hyperpoisson-Verteilung an einen Textabschnitt aus Goethes Wilhelm Meister (Herdan 1966, 287): X

nx

1 2 3 4 5

587 410 146 49 8

3 a Z b Z X2 Z FG Z P Z

1200 0.8608 1.2345 2.484 2 0.29

Abb. 19.1.

NPx 584.03 407.23 156.88 41.75 10.11

Das Hauptproblem des Ansatzes Px Z g (x) PxK1 stellt die Funktion g (x) dar. Es gibt bisher keine zwingenden Anhaltspunkte dafür, unter welchen sprachlichen Bedingungen g (x) welche Form annehmen sollte. Damit ist aber auch unklar, welche Parameter benötigt werden. Wenn man also Texte einer bis dahin noch nicht bearbeiteten Sprache untersucht, so wäre es wünschenswert, dass man spezifische Hypothesen entwickeln könnte, die dazu führten, dass bei einer Sprache eines bestimmten Typs ein ganz bestimmter Ansatz für g (x) zu wählen wäre. Damit wäre dann auch klar, welche bestimmte Verteilung allein zu prüfen wäre. Dies ist bisher aber nicht möglich. Dafür kann es verschiedene Gründe geben, deren wichtigster darin besteht, dass auf die Häufigkeitsverteilung von Einheiten in Texten eine Fülle von Bedingungen einwirken; um nur die naheliegendsten zu nennen: Es ist damit zu rechnen, dass Sprachtyp, Entstehungszeit (Entwicklungsphase einer Sprache), Verfasser, Textsorte bzw. Gattung, Thema, Adressat, angestrebter Grad der Fachlichkeit und Nähe oder Ferne zum Stil

264

III. Gebiete und Phänomene: Morphologie / Fields and phenomena: morphology

mer/Köhler/Grotjahn u. a. (1994) und Wimmer/Altmann (1996) erweiterten dieses Modell durch lokale und globale Modifikationen von Häufigkeitsklassen, die der Individualität eines Textes besser Rechnung tragen bzw. einen Zustand zwischen zwei Attraktoren ausdrücken (Uhlířová 1996). In den meisten Fällen werden dabei Verteilungen aus der Ordschen Familie modifiziert. In bestimmten Fällen scheint aber die Differenzengleichung (1) nicht auszureichen; Wimmer/Köhler/Grotjahn u. a. (1994) und Wimmer/Altmann(1996) erweitern sie deshalb zu

der Alltagssprache Faktoren sind, die die Textgestaltung beeinflussen; vielleicht müssen sogar noch weitere Faktoren in Betracht gezogen werden. Es lässt sich einstweilen nicht vorher sagen, welcher dieser Faktoren sich in einem bestimmten Fall wie stark auswirkt und wie er mit den anderen interagiert. Es bleibt deshalb vorläufig nur der umgekehrte Weg, dass man Texte untersucht, daraus Dateien entwickelt und dann mittels einer geeigneten Software (Altmann-Fitter 1994/1997) prüft, welche der Verteilungen, die in der Theorie wohlbegründet sind, geeignet ist, an die Textdateien angepasst zu werden. Man kann dann nachträglich versuchen, eine Beziehung zwischen den erfolgreich angewendeten Verteilungen, speziell deren zugrundeliegender Proportionalitätsfunktion g (x), und dem bearbeiteten Textkorpus herzustellen. Das beinhaltet auch, dass die Parameter, die in die jeweilige Form von g(x) eingehen, sowohl an sich als auch womöglich in ihrer gefundenen Ausprägung, unter Berücksichtigung der vermuteten Gestaltungsfaktoren des Korpus dann nachträglich interpretiert werden können. Dies ist der Weg, der bisher auch verfolgt wurde. [xK1 / 2]

Px Z

∑ iZ0

(

a C bx c C dx a C bx

:

: x g (x) Z a (R K x C 1): a K bx : g (x) Z x a g (x) Z : xb g (x) Z

(3)

jK1

wobei sich Px aus der Summe aller niedrigerer Pj (j Z 1, 2, ..., x) ergibt, die mit h (j) und g (x) gewichtet werden. Bisher wurde mit g (x) Z a/x experimentiert, wodurch Poisson-artige Verteilungen erzeugt werden, während h (j) eine beliebige wohldefinierte Verteilung sein kann. Aus dieser Familie wurde vor allem die Hirata-Poisson-Verteilung (s. Feldt/Janssen/Kuleisa 1997; Riedemann 1997):

)

xK1Ki i

Möglicherweise wird P. Grzybeks Projekt „Quanta“ (Grazer Projekt zur Quantitativen Textanalyse), das 2002 begonnen wurde, Lösungen dieser Probleme vorschlagen können. Andere Verteilungen, die außer der Hyperpoisson-Verteilung ebenfalls häufiger benutzt wurden, sind u. a. g (x) Z

x

Px Z g (x) ∑ h (j) PxKj ,

eKa a xK1Ki (x K 1 K i)!

αi (1 K α)xK1K2i, x Z 1, 2, ...

und die Consul-Jain-Poisson-Verteilung (s. Best 1996b; Wimmer/Altmann 1996): Px Z

a [a C b (x K 1)]xK2 eK[aCb(xK1)] (x K 1)!

,

x Z 1, 2, ... verwendet.

Hyperpascal-Verteilung negative Binomialverteilung Palm-Poisson-Verteilung Binomialverteilung Conway-Maxwell-Poisson-Verteilung

d. h., die Modelle werden meistens aus der Ordschen Verteilungsfamilie genommen (vgl. Ord 1972; Wimmer/Altmann 1999). Wim-

Eine interessante Weiterentwicklung dieser Theorie hat Meyer (1997) vorgestellt. Sein Ansatz unterscheidet sich von den bis-

19. Wortlänge

herigen dadurch, dass er ein Modell entwickelt, welches die spezifischen morphologischen Bedingungen der betreffenden Sprache, in seinem Fall des Eskimo, berücksichtigt. Man könnte nun erwarten, dass eine solche Verteilung ein besseres Modell für eine bestimmte Sprache darstellen sollte als die bisher vorgeschlagenen, die ja nicht speziell für die strukturellen Bedingungen einer bestimmten Sprache entwickelt wurden. Die Überlegenheit dieses Ansatzes, der eine Faltung der Poisson-Verteilung mit der Thomas-Verteilung darstellt, muss aber erst noch anhand von umfangreichem Datenmaterial nachgewiesen werden. Die ersten Testergebnisse an Eskimo-Texten sind nicht entmutigend, aber auch noch nicht überzeugend; die Anpassungen der HyperpoissonVerteilung erbrachten bei Eskimo-Texten bessere Resultate. Vielleicht spielen die anderen Faktoren, die K außer der von Meyer (1997) berücksichtigten morphologischen Struktur einer Sprache K die Textgestaltung beeinflussen, insgesamt doch eine zu gewichtige Rolle.

3.

Ziel der Untersuchungen, Textauswahl und Definition der Einheiten, Testverfahren

3.1. Theoretische Grundlagen Mit der Erforschung der Verteilung von Wortlängenhäufigkeiten befasst sich seit 1993 ein Forschungsprojekt (Best 2003), das in Göttingen koordiniert wird („Göttinger Projekt“). Die theoretische Basis der Arbeiten dieses Projekts zur Quantitativen Linguistik bilden z. Zt. vor allem die beiden genannten Arbeiten von Wimmer/Köhler/ Grotjahn u. a. (1994) sowie Wimmer/Altmann (1996). Das Projekt hat sich die Aufgabe gestellt, an möglichst vielen und möglichst verschiedenartigen Sprachen zu überprüfen, ob die Häufigkeit, mit der Wörter unterschiedlicher Länge in Einzeltexten vorkommen, den vorgeschlagenen Verteilungen entsprechen oder nicht, und wenn ja, welche Verteilungen dies sind. Dabei ist auch von Interesse, herauszufinden, woran es liegen kann, wenn gelegentlich keine passenden Verteilungen nachzuweisen sind. 3.2. Untersuchungsgegenstand: Text Gegenstand der Untersuchungen sind immer vollständige, abgeschlossene Texte. Ausgehend von der Annahme, dass ein Autor

265 daran geht, einen Text zu verfassen, indem er bestimmte Vorstellungen über dessen Länge, Zweck, Adressat, etc. zu realisieren sucht, müssten solche Texte ideal für eine derartige Untersuchung sein, die spontan „in einem Zug“ hervorgebracht und nachträglich nicht oder nur geringfügig überarbeitet werden. Bei langen Texten wie etwa Romanen ist damit zu rechnen, dass ihr Verfasser bewusst oder unbewusst sein Konzept ändert, so dass der Sprachstil bei Unterbrechungen der Arbeit am Text sich immer wieder ändert und damit auch der Wortlängenrhythmus. Aufgrund dieser Überlegungen boten sich Briefe möglichst privaten Inhalts als eine Textsorte für die Untersuchungen an, die keine Stilbrüche erwarten ließ und sich deshalb als fast idealer Gegenstand erweisen müsste. Tatsächlich sind in großem Umfang Briefe ausgewertet worden. Andere, häufig verwendete Textsorten sind Gedichte, Kurzerzählungen und kurze Pressetexte, für die die genannten Bedingungen nicht in gleicher Weise als erfüllt anzusehen sind. Es sind oft ganz praktische Gründe dafür entscheidend, welche Textsorte für eine Untersuchung gewählt wird, vor allem ihre Verfügbarkeit. 3.3. Textlänge Zur Länge der Texte: Hammerl (1990) hat in einer Untersuchung zur Verteilung von Wortarten beobachtet, dass bei der Anpassung eines Modells Probleme nur bei längeren Texten mit über 2000 Wörtern auftraten. Dies war der Grund dafür, dass im Göttinger Projekt fast nur Texte mit weniger als 2000 Wörtern Länge gewählt wurden; in der Regel waren es sogar Texte, die erheblich unterhalb dieser Obergrenze blieben. 3.4. Operationale Definition von „Wort“ Um Wortlängenverteilungen zu untersuchen, muss man als erstes „Wort“ definieren. Hier hat es sich bewährt, das Wort als orthographische Einheit, d. h. als ununterbrochene Graphemkette zu bestimmen, wobei das Apostroph sowie der Binde- und Trennungsstrich fast immer als Kriterium für die Worteinheit dient. Die orthographischen Konventionen einzelner Sprachen machen gelegentlich Abweichungen von solchen Regeln nötig; so wäre es z. B. nicht sinnvoll, im Französischen voulez-vous nur wegen des Bindestrichs als ein Wort aufzufassen (Feldt/ Janssen/Kuleisa 1997, 146). Besondere Regeln sind auch nötig, wenn Sprachen unter-

266

III. Gebiete und Phänomene: Morphologie / Fields and phenomena: morphology

sucht werden, die keine Alphabetschrift verwenden wie Chinesisch (Zhu/Best 1998, 46) oder Japanisch (Riedemann 1997, 180). Hier muss man statt des orthographischen ein distributionelles, grammatisches oder semantisches Wort als Gegenstand wählen. Bei der Bestimmung des Wortes spielt noch ein weiterer Aspekt eine Rolle: Die Konventionen zur Behandlung von ganz bestimmten Wörtern K hier ist vor allem an Zahlwörter zu denken K sind in verschiedenen Sprachen sehr unterschiedlich; z. T. unterscheiden sie sich sogar innerhalb einer Sprache je nach Referenzbereich. 1993 etwa lautet, wenn man die gesprochene Form verschriftet, als Jahreszahl neunzehnhundertdreiundneunzig, als Telefonnummer neunzehn dreiundneunzig oder eins neun neun drei (mit oder ohne Bindestrich), als Geldbetrag, Entfernungs-, Höhen- oder Gewichtsangabe aber (ein)tausendneunhundertdreiundneunzig. Während der Geldbetrag also im Deutschen als ein Wort verschriftet wird, besteht er im Französischen (mille neuf cent quatre-vingt-treize) aus vier Wörtern. Eine Vereinheitlichung, etwa in der Art, dass die betreffenden Wörter in ihrer gesprochenen Form, dann aber getrennt in je ein Wort für die Tausender, die Hunderter und die Zehner zusammen mit den Einerzahlen, erscheint hier sinnvoll. 3.5. Bestimmung der Wortlänge Weiterhin muss man festlegen, wie man Wortlänge definieren will. Dazu gibt es verschiedene Möglichkeiten: Man kann die Zahl der Grapheme, Phoneme, Akzente, Morphe oder Silben pro Wort als Kriterium der Länge wählen, um die wichtigsten zu nennen. In den Untersuchungen des Göttinger Projekts wurde Wortlänge in der Regel nach der Zahl der Silben pro Wort bestimmt, wobei keine genaue Segmentierung der Wörter in Silben gefordert wurde. Als Kriterium für das Vorhandensein einer Silbe galt das Vorkommen eines Vokals bzw. eines Diphthongs. Ein Wort hat damit so viele Silben, wie es Vokale oder Diphthonge, in Einzelfällen auch Triphthonge, aufweist. In manchen Sprachen können zusätzlich auch Sonanten als Silbengipfel bestimmt werden. Sinn dieser manchmal vielleicht nicht ganz befriedigenden Definitionen war es, möglichst einfache, operationale Definitionen zu finden, die es verschiedenen Bearbeitern er-

möglichen sollten, gleichartige Entscheidungen zu treffen. In einigen Fällen wurden auch andere Kriterien für Wortlänge berücksichtigt, so für die Verteilungen in chinesischen Wörterbüchern (Best/Zhu 2001) und deutschen Texten (Best 2003). 3.6. Anpassen der Verteilungen Unter Berücksichtigung der angegebenen Definitionen wurden für jeden Text einzeln Textdateien aufgestellt; anschließend wurde mit Hilfe einer geeigneten Software, des Altmann-Fitters (1994/1997), versucht, an diese Dateien eine der von Wimmer/Köhler/ Grotjahn u. a. (1994) bzw. Wimmer/Altmann (1996) für die Wortlängenverteilungen theoretisch begründeten Verteilungen anzupassen. Diese Software enthält neben vielen anderen alle hier erforderlichen Verteilungen und erlaubt es, mit wenig Aufwand die nötigen Anpassungen vorzunehmen. Die Güte der Anpassungen wird dabei mit dem Chiquadrat-Test geprüft. Ein Problem des Verfahrens besteht darin, zu bestimmen, welche Verteilung für ein vorliegendes Textkorpus überhaupt infrage kommt. Es wurde bereits darauf hingewiesen, dass es (noch?) nicht möglich ist, im Vorhinein aufgrund der Kenntnis eines Textes oder einer Textgruppe und ihrer Zugehörigkeit zu einer bestimmten Sprache, zu einer Textsorte etc. festzulegen, welche Verteilung nur oder vorrangig als Modell in Betracht zu ziehen ist. Insofern bleibt nur der umgekehrte Weg, nämlich mehrere der theoretisch begründeten Verteilungen auszuprobieren. Bei der Wahl dieser zu prüfenden Verteilungen erweisen sich gewisse Vorüberlegungen als hilfreich: Es hat sich gezeigt, dass keineswegs alle Verteilungen an alle Texte angepasst werden können. Ein Modell, das sich immer wieder bewährt hat, und deshalb auch mit als erstes zu prüfen ist, ist die Hyperpoisson-Verteilung. Sie führt unabhängig von Faktoren wie Sprache, Sprachtyp, Textsorte, Autor etc. erstaunlich oft zu guten Ergebnissen, häufiger als alle anderen bisher verwendeten Verteilungen. Eine zweite Überlegung ist die, dass bei der Bearbeitung von Texten in einer bereits zuvor behandelten Sprache das Modell, das sich schon einmal erfolgreich verwenden ließ, auch bei weiteren Texten geprüft werden sollte; dies führt ebenfalls oft zum Erfolg, auch wenn es sich um Texte einer ganz anderen Textklasse handeln sollte. Es wäre ja

267

19. Wortlänge

denkbar, dass aufgrund der Vielzahl der Faktoren, die bei der Textgestaltung wirksam werden, bei jedem neuen Text oder wenigstens bei jeder neuen Textgruppe mit einer anderen Verteilung zu rechnen ist; tatsächlich ist dies aber keineswegs der Fall. Nur in relativ wenigen Fällen muss, wenn sich einer der Textgestaltungsfaktoren ändert, deshalb auch eine andere Verteilung angepasst werden. Der Faktor, der die Wahl der anzupassenden Verteilung am stärksten beeinflusst, scheint die Sprache zu sein, in der ein Text verfasst ist; dieser Faktor bestimmt die Wahl der anwendbaren Verteilung anscheinend noch mehr als der Sprachtyp, den man wohl an sich als die wichtigste Einflussgröße anzusehen geneigt wäre. Um herauszufinden, welche Verteilung geeignet ist, um an Texte einer Sprache angepasst werden zu können, ist es notwendig, ein kleines Textkorpus auszuwerten; es hat sich nämlich herausgestellt, dass man an einzelne Texte oft mehrere, wenn nicht gar fast alle der theoretisch begründeten Verteilungen anpassen kann. Das Bild ändert sich aber sehr schnell, wenn man nach Verteilungen sucht, die für eine Textgruppe geeignet sind; je mehr Texte man berücksichtigt, desto weniger Verteilungen kommen meist als „gemeinsamer Nenner“ infrage. Als einigermaßen praktikabel hat es sich erwiesen, kleine Textgruppen aus ca. 20 Texten zu bilden und auszuwerten, die möglichst zu einer Textsorte gehören und noch dazu von einem einzigen Autor stammen sollten. Wenn man dann Verteilungen prüft, die sich bei der gleichen Sprache schon bewährt haben, kommt man in vielen Fällen sehr schnell zu guten Ergebnissen. Manchmal zeigt sich aber, dass ein bereits bewährtes Modell für diese neue Textgruppe nicht geeignet ist. Dies kann man dann so interpretieren, dass in diesem Fall einer der bekannten Faktoren, die bei der Textgestaltung wirksam werden, sich zusätzlich oder an Stelle eines anderen bemerkbar macht, so dass eine andere Verteilung gefunden werden muss. Anders ausgedrückt: Man ersetzt eine Form der Proportionalitätsfunktion g (x) durch eine andere, was Änderungen bei der Zahl oder den mathematischen Beziehungen zwischen den Parametern, die ja g (x) ausmachen, bedeutet. In manchen Fällen genügt es aber auch schon, eine Modifikation der zuvor verwendeten Verteilung durchzuführen, dann nämlich, wenn sich

zeigt, dass in den Daten eine Verschiebung von einer Längenklasse zu einer anderen zu beobachten ist. 3.7. Textmischung Bisher war nur von Wortlängenverteilungen einzelner Texte die Rede. Gelegentlich kommt die Frage auf, ob man nicht auch zu guten Ergebnissen kommt, wenn man die Daten mehrerer, möglichst gleichartiger Texte zu einer einzigen Datei zusammenfasst. Diese Idee mag sich aufdrängen, wenn man relativ schwache Testergebnisse erzielt hat, wenn allzu kurze Texte ausgewertet wurden oder wenn unter den Texten etliche sind, die zu wenig Längenklassen aufweisen. In solchen Fällen könnten Zusammenfassungen einzelner Texte zu „Hypertexten“ einen Ausweg bieten. Man sollte aber große Zurückhaltung bei solchem Vorgehen walten lassen; Altmann (1988a, 69) hat gezeigt, dass bei der Bildung einer neuen Grundgesamtheit aus zwei Briefen Goethes die Anpassungsergebnisse schlechter werden, als wenn man die Dateien der beiden Texte getrennt bearbeitet. Diese Beobachtung bestätigt Orlovs (1982, 20) Empfehlung, nach Möglichkeit nur „den individuellen Text zu untersuchen, d. h. ein solches Gebilde, das durch einen einzigen Akt der ,Redeschöpfung‘ erzeugt wurde und für einen einzigen Akt der Rezeption bestimmt ist.“

4.

Weitere Forschungsaspekte

Statt in einzelnen Texten oder in kleinen Grundgesamtheiten kann man auch die Wortlängenverteilungen in Frequenzwörterbüchern untersuchen. Grotjahn/Altmann (1993, 144 ff.) haben auf die besonderen Probleme der Entwicklung eines Modells für unterschiedliche Wörterbuchtypen hingewiesen. In Ermangelung entsprechender, speziell für LexikonDateien theoretisch begründeter Verteilungen kann man natürlich versuchen, solche Verteilungen, wie sie für Einzeltexte entwickelt wurden, anzupassen; dies ist in einigen Fällen mit Erfolg geschehen (Wimmer/Köhler/Grotjahn u. a. 1994, 102; Best 1999; 2003; Best/Zhu 2001, Rheinländer 2001). Die theoretische Begründung für diesen Erfolg steht aber noch aus. Statt global die Häufigkeitsverteilungen der Wortlängen in ganzen Texten zu bearbeiten kann man sich auch mit der Frage be-

268

III. Gebiete und Phänomene: Morphologie / Fields and phenomena: morphology

schäftigen, welche Gesetzmäßigkeiten innerhalb der einzelnen Wortlängenklassen von Texten herrschen. Man untersucht dann die Frage, ob z. B. die Wörter der Klasse der Zweisilber, geordnet nach ihrer Häufigkeit, der Zipf-Mandelbrot-Verteilung Px Z

(b C x)Ka T

,

x Z 1, 2, ..., n

(Uhlířová 1995, 241) entsprechen. Diese Hypothese konnte für 20 deutsche (Knüppel 2001) und 10 tschechische Texte (Uhlířová 1995) bestätigt werden. (Zur Bedeutung des Zipf-Mandelbrot-Gesetzes vgl. Altmann 1988a, 69 ff.). Das Zipf-Mandelbrot-Gesetz kann man nun statt in der von Uhlířová und Knüppel verwendeten Rang-Häufigkeits-Version auch als Frequenzspektrum behandeln; hier soll ein Hinweis auf die spätere Behandlung dieser Thematik genügen (vgl. Art. 30).

5.

Ergebnisse

In diesem Abschnitt wird nur ein Überblick über die Ergebnisse der Forschungen zu den Wortlängenverteilungen in Texten gegeben, sofern sie auf der von Wimmer/Köhler/ Grotjahn u. a. (1994) und Wimmer/Altmann (1996) begründeten Theorie beruhen; für die anderen Themen mögen die Hinweise in Kap. 3 und 4 genügen. Der derzeitige Stand der Untersuchungen lässt sich wie folgt darstellen: Es wurden Textkorpora aus etwa 50 Sprachen untersucht, zusammen um 4000 Texte. Für ausführlichere Informationen hierzu wird auf die Literatur verwiesen: (Best/Altmann 1996; Best 1997; Best 2001a; Best 2001b) sowie auf meine ständig aktualisierte Bibliographie im Internet. Es handelt sich hauptsächlich um indoeuropäische Sprachen; ferner die ostasiatischen Sprachen Chinesisch, Koreanisch und Japanisch sowie die Sprachen Althebräisch, Eskimo, Ketschua, Maori und Türkisch. Den Schwerpunkt der Untersuchungen bildet das Deutsche; für jede Entwicklungsphase des Hochdeutschen (Althochdeutsch, Mittelhochdeutsch, Frühneuhochdeutsch und Neuhochdeutsch) sowie für einige Regionalsprachen (Fränkisch, Niederdeutsch und Schweizerdeutsch) konnte mindestens ein Textkorpus bearbeitet werden, insgesamt um 1400 hochdeutsche Texte; dazu 159 niederdeutsche, 16 pfälzische und 24 schweizerdeutsche Texte. Die Untersuchungen folgten

zunächst dem Vorschlag Grotjahns (1982; vgl. auch Altmann 1988a, 60K63), der für neuere hochdeutsche Texte die positive negative Binomialverteilung

Px Z

(

)

kCxK1 pk qx x 1 K pk

, x Z 1, 2, 3, ...

vorgeschlagen und an einem kleinen Korpus mit Erfolg geprüft hatte. Eine ganze Reihe von Untersuchungen (u. a. Altmann/Best 1996) haben diese Hypothese Grotjahns geprüft und bestätigt. Man kann die positive negative Binomialverteilung als ein gutes Modell für das Hochdeutsche der Gegenwart betrachten, und zwar auch für sehr verschiedene Textsorten. Die weiteren Untersuchungen betrafen althochdeutsche und mittelhochdeutsche Texte, ferner Texte aus frühneuhochdeutscher Zeit, deutsche Barockgedichte und unterschiedliche Textsorten der Gegenwartssprache. Es hat sich dabei herausgestellt, dass die positive negative Binomialverteilung kein generell anwendbares Modell für beliebige hochdeutsche Texte ist. Für alt- und mittelhochdeutsche Texte ist offenbar die 1-verschobene Poisson-Verteilung Px Z

eKa a xK1 (x K 1)!

,

x Z 1, 2, 3, ...

ein besonders gut geeignetes Modell; bei frühneuhochdeutschen Texten bewährt sich die Hyperpoisson-Verteilung und bei Barockgedichten die positive Poisson-Verteilung Px Z

ax x! (e a K 1)

,

x Z 1, 2, 3, ...

Schließlich stellte sich bei noch weiteren Prüfungen zu den genannten und noch anderen Arbeiten heraus, dass die Hyperpoisson-Verteilung offenbar das einzige Modell ist, das für hochdeutsche Texte beliebiger Zeit geeignet ist. Sie erlaubt nicht immer die absolut besten Anpassungen, ist aber die Verteilung mit der weitaus größten „Reichweite“ hinsichtlich Autor, Gattung/Textsorte, Stil und Sprachepoche. Sie lässt sich bisher bei fast allen ca. 1400 hochdeutschen Texten anwenden; nur bei fünf Texten ist die Anpassung der Hyperpoisson-Verteilung bisher nicht gelungen. Bezieht man sich aber auf die regionalen Formen des Deutschen: Niederdeutsch (Ahlers 2001), Pfälzisch (Kie-

269

19. Wortlänge

fer 2001) und Schweizerdeutsch (Stark 2001), so ist festzustellen, dass meist andere Verteilungen als beim Hochdeutschen angepasst werden mussten; die regionalen Formen stimmen also keineswegs mit denen des überregionalen Hochdeutschen überein. Es wurde hier mit Absicht der Gang der Untersuchungen auch in seiner zeitlichen Entwicklung skizziert, da angenommen werden muss, dass der Gang der Untersuchungen bei den anderen Sprachen, aber auch bei der Bearbeitung anderer Spracheinheiten und ihrer Verteilungen ähnlich verlaufen kann. Aufgrund der Fülle der Untersuchungen mag das Deutsche daher als Vergleichsbasis für die Arbeit an anderen Sprachen und mit anderen Einheiten dienen, bei denen bisher oft nur ein kleines Textkorpus bearbeitet werden konnte. Die Ergebnisse der Untersuchungen zu den Wortlängenverteilungen in anderen Sprachen als dem Deutschen (weit über 2000 Texte) sollen ebenfalls kurz resümiert werden: An alle alten Sprachen (Althebräisch, Althochdeutsch, Altisländisch, Altkirchenslawisch, klassisches Griechisch, KoineGriechisch, Latein) lässt sich die Hyperpoisson-Verteilung erfolgreich anpassen; das Gleiche gilt für alle nordgermanischen Sprachen. Die Untersuchung schwedischer Pressetexte (Best 1996b) dokumentiert zwar die Anpassung der positiven Singh-Poisson-Verteilung

Px Z

{

1KαC

αaeKa 1 K eKa

αa x eKa x! (1 K eKa)

,

,

xZ1

x Z 2, 3, 4, ...

mit guten Ergebnissen; spätere Berechnungen haben jedoch ergeben, dass die Hyperpoisson-Verteilung in diesen Fällen ebenfalls gute Ergebnisse zulässt. Die Überlegenheit dieser Verteilung gegenüber anderen anfänglich angepassten Modellen erwies sich bei weiteren Berechnungen u. a. auch im Falle des Lateinischen. Sie bewährt sich außerdem bei so verschiedenen Sprachen wie Estnisch, Eskimo, Ketschua und Tscheremissisch. Bei slawischen Sprachen besteht ein Sonderproblem: Sie enthalten nullsilbige Wörter, also Wörter, die weder Vokale noch Diphthonge enthalten. In solchen Fällen ergeben sich zwei Perspektiven: Betrachtet man die nullsilbigen Wörter als eigene Längenklasse, so erweisen sich komplexe Vertei-

lungen wie die erweiterte positive Binomialverteilung

{

1Kα,

Px Z α

xZ0

()

n x nKx p q x 1 K qn

, x Z 1, 2, 3, ..., n

z. T. als überlegen; betrachtet man die nullsilbigen Wörter aber als phonetischen Bestandteil ihrer Nachbarwörter, so kann oft die Hyperpoisson-Verteilung besser angepasst werden. Eine besondere Beobachtung ergab sich bei einigen russischen Pressetexten (Stitz 1994): Betrachtet man ihre Dateien einschließlich der nullsilbigen Wörter, kann keine der infrage kommenden Verteilungen mit guten Ergebnissen angepasst werden; lässt man die nullsilbigen Wörter unberücksichtigt, erweist sich die Hyperpoisson-Verteilung als gutes Modell. Es sind allerdings noch längst nicht alle Dateien slawischer Sprachen auf beiderlei Weise bearbeitet worden. Diese Beobachtungen kann man so zusammenfassen: Wenn man unter den theoretisch begründeten Verteilungen so etwas wie ein Grundmodell sucht, dann kommt dafür offenbar nur die Hyperpoisson-Verteilung infrage; ihre „Reichweite“ (Zahl der Sprachen, Textsorten, etc.) ist der aller anderen Verteilungen bisher deutlich überlegen. Das gilt sowohl im Vergleich mit der PoissonVerteilung (Čebanov 1947; Fucks 1955a; Fucks b; Fucks 1956) als auch mit der positiven negativen Binomialverteilung (Grotjahn 1982), erst recht mit allen anderen Verteilungen. Bei gegenwärtigem Englisch und Griechisch, bei den romanischen und den ostasiatischen Sprachen sowie dem Türkischen, Finnischen und Ungarischen müssen dagegen oft andere Verteilungen gewählt werden. Ein genaueres Bild kann für diese Sprachen nicht gegeben werden, da in den meisten Fällen zu wenig unterschiedliche Textgruppen bearbeitet wurden. Es zeigt sich nämlich bei einigen Sprachen, dass Sprachepoche, Textsorte und Autor unterschiedliche Verteilungen verlangen. Im Finnischen etwa bewährt sich bei Prosatexten die Hyperpascal-Verteilung

Px Z

( (

) )

kCxK2 xK1

mCxK2 xK1

q xK1 P1, x Z 1, 2, 3, ...,

270

III. Gebiete und Phänomene: Morphologie / Fields and phenomena: morphology

bei Gedichten aber die Dacey-Poisson-Verteilung Px

(1 K α) a xK1 e a

Z (x K 1)!

α (x K 1) a xK2 eKa C

, (x K 1)! x Z 1, 2, 3, ...,

(Vettermann/Best 1997); Autoreneinfluss macht sich bemerkbar bei Briefen Kekkonens, die der Hyperpascal-Verteilung folgen, und Leserbriefen verschiedener Verfasser, die der gemischten Poisson-Verteilung Px Z

α a xK1 eKa (x K 1)!

(1 K α) bxK1 eKb C

, (x K 1)! x Z 1, 2, 3, ...

entsprechen (Schröder 1996). Nennenswerte Probleme traten bei all diesen Untersuchungen in nur zwei Fällen auf. Einer dieser Fälle sind chinesische Texte mit fachsprachlichem Gehalt (Best/ Zhu 2001). In diesen Fällen lässt sich ein sonst nicht beobachtbares Phänomen feststellen: Die einsilbigen Wörter sind seltener als die zweisilbigen, die dreisilbigen seltener als die viersilbigen, etc. Dieses Auf und Ab der Werte lässt sich mit keiner der infrage kommenden Verteilungen modellieren, solange man nicht Nachbarklassen zusammenfasst. Wenn man dies aber tut, kann man in fast allen Fällen die negative Binomialverteilung Px Z

(

)

k C x K 2 k xK1 p q , xK1 x Z 1, 2, 3 ...

anpassen (Best/Zhu 2001). Der zweite Fall sind lappische Pressetexte (Bartens/Best 1997); nur an 10 der 15 untersuchten Pressetexte lässt sich die Hyperpoisson-Verteilung ebenso wie an 10 Gedichte und 5 Kurzprosatexte anpassen. Zur ungewöhnlich hohen Versagerquote von 1/3 einer Textgruppe tragen anscheinend verschiedene Faktoren wie Syntax und Wortbildung bei (Bartens/Best 1997, 50). Auch hier wäre eine Lösung wie im Fall der chinesischen Texte denkbar. Abgesehen von einer kleinen Textgruppe im Lappischen kann man also feststellen, dass die Theorie von Wimmer/Köhler, Grotjahn u. a. (1994) und Wimmer/Altmann (1996) sich bisher bei allen untersuchten Sprachen bewährt hat; das bedeutet, dass offenbar für Texte beliebiger Sprachen Verteilungsmodelle gefunden werden können. Die

Hypothese, dass Wortlängen in Texten sich gesetzmäßig verhalten, darf damit vorerst als vielfach geprüft und gut bestätigt angesehen werden. Dabei ist allerdings zu bedenken, dass diese guten Ergebnisse bei Texten erzielt wurden, die von vornherein als besonders geeignet für derartige Untersuchungen galten, da sie aufgrund ihrer Abgeschlossenheit und Kürze stilistische Homogenität erwarten ließen. Es ist durchaus damit zu rechnen, dass es größere Probleme praktischer und theoretischer Art bereiten wird, geeignete Verteilungen für längere Texte (Bücher), Textmischungen (Collagen) und evt. bestimmte Textsorten wie wissenschaftliche Abhandlungen zu finden. Erste Versuche mit (populär)wissenschaftlichen und englischen wissenschaftlichen Texten verschiedener Sprachen haben allerdings keine solchen Probleme bereitet.

6.

Das Ordsche Kriterium

Bei der Bearbeitung von Texten drängt sich gelegentlich die Frage auf, ob die Texte, die zu einer bestimmten Gruppe gehören, sich untereinander ähnlich sind oder nicht. Um dies herauszufinden, kann man eine empirische Abwandlung des Ordschen Kriteriums (Ord 1972, 98 f.; 133 ff.) verwenden, das sich auf die Momente der benutzten Verteilungen stützt (Altmann 1988a, 48 ff.). Dabei handelt es sich um m1 Z mr Z

1 N 1 N

∑ x fx

(Mittelwert), und

∑ (x K m1)r fx ,

r R 2,

wobei m2 die Varianz und m3 die Schiefe oder Asymmetrie der Verteilung darstellen. Hieraus lassen sich nun zwei Größen, I Z m2 / m1 und S Z m3 / m2 berechnen. Die Größen I und S kann man in ein Koordinatensystem !I, SO eintragen und zur Veranschaulichung der Homogenität der Textgruppe verwenden. Dies sei am Beispiel des Diagramms einiger Briefe Heinrich Bölls an seinen Freund Ernst Adolf Kunz demonstriert, die Strobel (1996) bearbeitet hat; auf die Datentabelle wird hier verzichtet. Man sieht, dass die Werte dieser Briefe recht breit streuen.

271

19. Wortlänge 3 2,5

S

2 1,5 1 0,5 0 0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

I

Abb. 19.3: Ordsches Kriterium für Briefe Bölls

Das Ordsche Kriterium lässt sich noch in anderen Kontexten verwenden. So wurde in Best (1996a) eine Isländersaga, die Hravnkels saga freysgoða, vollständig mit allen 20 Kapiteln bearbeitet; es konnte gezeigt werden, dass auch in diesem Fall die Einzeltexte recht erheblich variieren; die Saga kann nach dem Ordschen Kriterium nicht als stilistisch homogen gelten (Best 1996a, 103). Vergleiche zwischen Briefen und Pressetexten im gegenwärtigen Isländischen zeigten, dass das Ordsche Kriterium geeignet ist, die beiden Textsorten völlig zu trennen (Best/Brynjólfsson 1997, 36). Wie man mit seiner Hilfe eine ganze Sprachfamilie, in diesem Fall die der romanischen Sprachen, erforschen kann, wurde in Altmann/Best/ Wimmer (1997) gezeigt.

7.

Perspektiven

Auch wenn zumindest für das Deutsche eine recht große Anzahl von Texten bearbeitet wurde, bleibt doch noch einiges zu tun. Die erzielten Ergebnisse sind ermutigend, aber noch nicht hinreichend. So wäre es sinnvoll, weitere Textsorten des gegenwärtigen Hochdeutschen zu bearbeiten, um zu sehen, ob die Hyperpoisson-Verteilung generell für das Deutsche oder doch nur für die bisher berücksichtigten K meist kurzen K Texte charakteristisch ist. Welche Probleme treten auf, wenn man sich tatsächlich einmal mit langen Texten befasst? Die Sprachgesetze müssen sich ja auch in diesen Fällen bemerkbar machen. In den früheren Phasen des Deutschen ist noch sehr vieles zu tun, da meist nur eine Textgruppe behandelt wurde. Bei anderen Sprachen als dem Deutschen ist noch wesentlich mehr zu tun, besonders dann, wenn die Ergebnisse der einzelnen Sprachen einmal für die Untersuchung der Geschichte der Sprachen oder von Sprachfamilien und -typen genutzt werden sollen. Mit solchen Aufgaben ist bisher noch kaum

begonnen worden. Interessant wird es außerdem sein, zu sehen, wie sich die Verteilungen bei anderen Einheiten als dem Wort gestalten werden (vgl. zu Morphlängen Art. 18, zu Satzlängen Art. 22). Als vorläufiges Ergebnis lässt sich feststellen, dass Wortlängen tatsächlich entsprechend den theoretischen Überlegungen gesetzmäßig verteilt zu sein scheinen; diese Erkenntnis muss aber durchaus noch weiter untermauert werden.

8.

Literatur (in Auswahl)

Ahlers, Astrid (2001), The Distribution of Word Length in Different Types of Low German Texts. In: Best (Hrsg.) 2001, 43K58. Altmann, Gabriel (1988a), Wiederholungen in Texten. Bochum: Brockmeyer. Altmann, Gabriel (1988b), Verteilungen der Satzlängen. In: Glottometrika 9. (Ed. Schulz, KlausPeter). Bochum: Brockmeyer, 147K169. Altmann, Gabriel/Best, Karl-Heinz (1996), Zur Länge der Wörter in deutschen Texten. In: Schmidt 1996, 166K180. Altmann, Gabriel/Best, Karl-Heinz/Wimmer, Gejza (1997), Wortlänge in romanischen Sprachen. In: Semiotische Prozesse und natürliche Sprache. (Hrsg. Gather, Andreas/Werner, Heinz). Festschrift für Udo L. Figge zum 60. Geburtstag. Stuttgart: Steiner, 1K13. Altmann-Fitter (1994), Lüdenscheid: RAM-Verlag. Altmann-Fitter. Iterative Fitting of Probability Distributions (1997). Lüdenscheid: RAM-Verlag. Bartens, Hans-Hermann/ Best, Karl-Heinz (1997), Word Length Distribution in Sámi Texts. In: Journal of Quantitative Linguistics 4, 45K52. Bartkowiakowa, A./Gleichgewicht, B. (1965), O rozkładach długości sylabicznej wyrazów w różnych tekstach. In:Poetyka i matematyka. Warszawa: Państwowy Instytut Wydawniczy, 164K173. Best, Karl-Heinz (1996a), Word Length in Old Icelandic Songs and Prose Texts. In: Journal of Quantitative Linguistics 3, 97K105. Best, Karl-Heinz (1996b), Zur Wortlängenhäufigkeit in schwedischen Pressetexten. In: Schmidt 1996, 147K157. Best, Karl-Heinz (Hrsg.), Glottometrika 16. Trier: Wissenschaftlicher Verlag Trier 1997 Best, Karl-Heinz (1999), Quantitative Linguistik: Entwicklung, Stand und Perspektive. In: Göttinger Beiträge zur Sprachwissenschaft 2, 7K23. Best, Karl-Heinz (2001a), Probability Distributions of Language Entities. In: Journal of Quantitative Linguistics 8, 1K11.

272

III. Gebiete und Phänomene: Morphologie / Fields and phenomena: morphology

Best, Karl-Heinz (2001b), Kommentierte Bibliographie zum Göttinger Projekt. In: Best 2001, 284K310. Best, Karl-Heinz (2003), Quantitative Linguistik. Eine Annäherung. 2. überarbeitete und erweiterte Auflage. Göttingen: Peust & Gutschmidt. Best, Karl-Heinz: Internetbibliographie: http://www. gwdg.de/~kbest/projekt.htm Best, Karl-Heinz/Altmann, Gabriel (1996), Project Report. In: Journal of Quantitative Linguistics 3, 85K88. Best, Karl-Heinz/Brynjólfsson, Einar (1997), Wortlängen in isländischen Briefen und Pressetexten. In: skandinavistik 27, 24K40. Best, Karl-Heinz/Čebanov, Sergej Viktorovič (2001), Biographische Notiz: Sergej Grigorevič Čebanov (1897K1966). In: Best 2001, 281K283. Best, Karl-Heinz/Zhu, Jinyang (2001), Wortlängen in chinesischen Texten und Wörterbüchern. In: Best 2001, 101K114. Best, Karl-Heinz (Hrsg.), (2001), Häufigkeitsverteilungen in Texten. Göttingen: Peust & Gutschmidt. Čebanov, Sergej Grigorevič (1947), O podčinenii rečevych ukladov ‘indoevropejskoj’ gruppy zakonu Puassona. In: Doklady Akademii Nauk SSSR, Tom 55/2, 103K106. Feldt, Sabine/Janssen, Marianne/Kuleisa, Silke (1997), Untersuchung zur Gesetzmäßigkeit von Wortlängenhäufigkeiten in französischen Briefen und Pressetexten. In: Best 1997, 145K151. Fucks, Wilhelm (1955a), Mathematische Analyse von Sprachelementen, Sprachstil und Sprachen. Köln/Opladen: Westdeutscher Verlag. Fucks, Wilhelm (1955b), Theorie der Wortbildung. In: Mathematisch-Physikalische Semesterberichte 4, 195K212. Fucks, Wilhelm (1956), Die mathematischen Gesetze der Bildung von Sprachelementen aus ihren Bestandteilen. In: Nachrichtentechnische Forschungberichte 3, 7K21. Gačečiladze, T. G./Cilosani, T. P. (1971), Ob odnom metode izučenija statističeskoj struktury teksta. In: Statistika reči i avtomatičeskij analiz teksta. Leningrad: „Nauka“, 113K133. Grazer Projekt zur Quantitativen Textanalyse (2002) http://www-gewi.uni-graz.at/quanta/projekt_ descr.htm Greenberg, Joseph H. (1960), A Quantitative Approach to the Morphological Typology of Languages. In: International Journal of American Linguistics 26, 178K194. Groeben, Norbert (1982), Leserpsychologie: Textverständnis K Textverständlichkeit. Münster: Aschendorff. Grotjahn, Rüdiger (1982), Ein statistisches Modell zur Verteilung der Wortlänge. In: Zeitschrift für Sprachwissenschaft 1, 44K75.

Grotjahn, Rüdiger/Altmann, Gabriel (1993), Modelling the Distribution of Word Length: Some Methodological Problems. In: Contributions to Quantitative Linguistics. (Eds. Reinhard Köhler/ Burghard B. Rieger). Dordrecht: Kluwer, 141K 153. Hammerl, Rolf (1990), Untersuchungen zur Verteilung der Wortarten im Text. In: Glottometrika 11. (Hrsg. Hřebíček, Ludek) Bochum: Brockmeyer, 142K156. Herdan, Gustav (1966), The Advanced Theory of Language as Choice and Chance. Berlin/Heidelberg/New York: Springer. Kiefer, Alexander (2001), Wortlängenverteilung im Pfälzischen. In: Best 2001, 124K131. Knüppel, Anke (2001), Untersuchungen zum Zipf-Mandelbrot-Gesetz an deutschen Texten. In: Best 2001, 248K280. Lord, R. D. (1958), Studies in the history of probability and statistics. VIII. De Morgan and the statistical study of literary style. In: Bio 45, 282. Menzerath, Paul (1954), Die Architektonik des deutschen Wortschatzes. Bonn: Dümmler. Meyer, Peter (1997), Word Length Distribution in Inuktitut Narratives: Empirical and Theoretical Findings. In: Journal of Quantitative Linguistics 4, 143K155. Ord, J. K. (1972), Families of frequency distributions. London: Griffin. Orlov, Ju. K. (1982), Linguostatistik: Aufstellung von Sprachnormen oder Analyse des Redeprozesses? (Die Antinomie „Sprache K Rede“ in der statistischen Linguistik). In: Sprache, Text, Kunst. Quantitative Analysen. (Eds. Orlov, Ju. K./Boroda, M. G./Nadarejšvili, I.). Bochum: Brockmeyer, 1K55. Piotrowski, R. G./Bektaev, K. B./Piotrowskaja, A. A. (1985), Mathematische Linguistik. Bochum: Brockmeyer. Pott, A. F. (1884), Einleitung in die allgemeine Sprachwissenschaft. In: Internationale Zeitschrift für Allgemeine Sprachwissenschaft I, 1K68. Rheinländer, Nicole (2001), Die Wortlängenhäufigkeit im Niederländischen. In: Best 2001, 142K 152. Riedemann, Gesa (1997), Wortlängenhäufigkeiten in japanischen Pressetexten. In: Best 1997, 180K184. Schmidt, Peter (Hrsg.), Glottometrika 15. Trier: Wissenschaftlicher Verlag Trier, 1996. Schröder, Ulla (1996), Zur Wortlängenhäufigkeit im Finnischen. Seminararbeit, Göttingen. Stark, Alexandra B. (2001), Die Verteilung von Wortlängen in schweizerdeutschen Texten. In: Best 2001, 153K161. Stitz, Katrin (1994), Wortlängen in einigen russischen Presseartikeln. Seminararbeit, Göttingen.

19. Wortlänge Strobel, Heike (1996), Wortlängen in Briefen und Erzählungen von Böll und Hemingway. Staatsexamensarbeit, Göttingen. Trubetzkoy, N. S. (1939, 41967), Grundzüge der Phonologie. Göttingen: Vandenhoeck & Ruprecht. Tuldava, Juhan (1998), Probleme und Methoden der quantitativ-systematischen Lexikologie. Trier: Wissenschaftlicher Verlag Trier. Uhlířová, Ludmila (1995), On the Generality of Statistical Laws and Individuality of Texts. A Case of Syllables, Word Forms, their Length and Frequencies. In: Journal of Quantitative Linguistics 2, 238K247. Uhlířová, Ludmila (1996), How Long Are Words in Czech? In: Schmidt 1996, 134K146.

273 Vettermann, Anikó/Best, Karl-Heinz (1997), Wortlängen im Finnischen. In: Suomalais-ugrilaisen seuran aikakauskirja 87, 249K262. Wimmer, Gejza/Köhler, Reinhard/Grotjahn, Rüdiger/Altmann, Gabriel (1994), Towards a Theory of Word Length Distribution. In: Journal of Quantitative Linguistics 1, 98K106. Wimmer, Gejza/Altmann, Gabriel (1996), The Theory of Word Length Distribution. In: Schmidt 1996, 112K133 Wimmer, Gejza/Altmann, Gabriel (1999) Thesaurus of univariate discrete probability distributions. Essen: Stamm. Zhu, Jinyang/Best, Karl-Heinz (1998), Wortlängenhäufigkeiten in chinesischen Kurzgeschichten. In: Asian and African Studies 7, 45K51.

Karl-Heinz Best, Göttingen (Deutschland)

IV. Gebiete und Phänomene: Syntax / Fields and phenomena: syntax 20. Syntactic units and structures 1. 2. 3. 4. 5.

Introduction Syntactic units and properties Quantitative properties of syntactic systems Hypotheses, laws, and theories Literature (selected)

1.

Introduction

Various syntactic phenomena can be investigated using the methods of quantitative linguistics. This can be illustrated by the topics of most of the syntax-related papers published in the Journal of Quantitative Linguistics since its first issue in 1994 (some of these papers are discussed in more detail later on). Word order is considered by Saukkonen (1997), Tweedie/Frischer (1999), and Hoffmann (1999). Uhlířová (1997) analyzes the relationship between word order and word length, and Tuldava (1995a) the dependence of average word length on clause length, as an example of the Menzerath-Altmann law. His paper provokes an exchange with Bunge on causality and probability in linguistics (Bunge 1995b; Tuldava 1995b). Syntactic variation is discussed in (Gries 2001), syntactic change in (Vulanović 1995; 1997), and morphosyntactic differences between languages in (Askedal 1997). Basili/ Marziali/Pazienza (1994), Gieseking (1998), and Furigori/de Paiva Alves (1999) are concerned with syntactic ambiguity and disambiguation. Somewhat related to this, Gordesch/Dretzke (1998) consider degrees of acceptability of syntactic phrases. Levickij/ Romanova (1997) investigate whether there is a statistically significant relation between verb tenses and verb-adverb combinations, and Hug (1998) statistically analyzes the use of French demonstrative particles ci and là. In (Köhler 1999), a basic functional-analytic model of a syntactic subsystem is described within the framework of synergetic linguistics. Probability distributions of the quantities considered in the model are analyzed in (Köhler/Altmann 2000). As for the languages discussed in the above papers, they comprise Czech, English, Estonian, Finnish, French, German, Greek (Classical), Italian,

Japanese, Latin, Norwegian, and Polynesian languages. In spite of this variety, syntax is not the dominant topic of the Journal of Quantitative Linguistics articles. There are more articles on quantitative methods in phonology, morphology, text analysis, and particularly lexicology. It would be wrong to conclude from this that quantitative syntax is an underdeveloped branch of quantitative linguistics. There are other journals, like Diachronica, Language Variation and Change, and Linguistic Typology, the scope of which is necessarily linked to quantitative methods, and which publish results on quantitative syntax. Even general, or syntax-oriented linguistic journals (Journal of Linguistics, Language, and Lingua for instance) have started publishing an increasing number of papers in which theoretical syntactic investigations are supported and/or complemented with quantitative analyses. This increase results from the realization that quantitative methods can bring more insight and contribute significantly to the understanding of syntax of natural languages. Quantitative methods in syntax can be found also in computer science and computational/mathematical linguistics journals, such as Computational Linguistics, Grammars, and Research on Language and Computation. In subsequent sections, the topic of quantitative syntax is described further and its methods, laws, hypotheses, and theories are discussed. This is by no means exhaustive K the time and space constraints require a selection of quantitative syntax results and of the amount of details for their discussion. What is presented is hopefully illustrative and representative enough for the reader to appreciate this rich research area of quantitative linguistics. The reader can see also other chapters and articles in this Handbook, which discuss topics related to quantitative syntax: quantitative semantics and pragmatics (cf. art. No. 31K36), linguistic typology (cf. art. No. 40K42), diachronic linguistics (cf. art. No. 43K45), language acquisition (cf. art. No. 63), corpus linguistics,

20. Syntactic units and structures

natural language processing and machine learning (cf. art. No. 56K58), probabilistic parsing (cf. art. No. 59), and probabilistic grammars (cf. art. No. 21).

2.

Syntactic units and properties

The syntactic units that can be analyzed quantitatively range from the simplest syntactic phrases and simple sentences, through more complex syntactic constructions, to compound sentences. A specific syntactic construction, like noun phrase, may be investigated, but also the generic syntactic construction which encompasses whole sentences, simple or compound, and all types of syntactic constructions placed anywhere in the phrase structure tree. Different types of sentences can be considered (affirmative or negative, declarative, imperative, or questions, etc.), as well as different types of subordinate clauses. Parts of speech, as sentence elements, can also be investigated. The units can be analyzed in the registers of written or spoken language, in one (portion of a) text or in one or several corpora, in one language or across languages, in texts of the same or different functional styles (fiction, non-fiction, scientific, newspaper, etc.), etc. One of the simplest properties of syntactic units is frequency. For the frequency of sentence parts in Czech, see (Těšitelová 1992, 125), where also a survey can be found of similar results for other languages. The presence of syntactic variation/change/difference is often illustrated by simple counts and percentages of the relevant syntactic units (cf. (Askedal 1997) and many papers in Diachronica and Language Variation and Change, like (Fischer 2003; McCafferty 2004; Abreu Gomes 1999), just to mention a few). Basic counts suffice also in some linguistic typology investigations (cf. art. No. 40, 42), as illustrated by (Greenberg 1966; Saukkonen 1997; Dryer 2003) for instance. Such counts are not always easy to obtain. Ellega˚rd’s (1953) work is a remarkable example of large-scale data collecting and analysis before the modern electronic era. The task is today facilitated by a growing number of electronic texts and large corpora of written and spoken language, which are available for many languages of the world and include not only contemporary sources but older sources as well, enabling historical studies.

275 In linguistic typology, where syntactic properties are often discussed across languages, a large database of languages is needed and the language sample has to be chosen carefully, see e. g. (Hawkins 1983; Dryer 2003; Rijkhoff/Bakker 1998). Basic counts may be, and often are, accompanied with elementary statistical analyses (like the χ 2-test in (Levickij/Romanova 1997; Hug 1998; Nichols/ Peterson/Barnes 2004)). The range of quantitative methods in syntax ends with more sophisticated statistical methods, which confirm or give new interpretations to the established quantitative laws, or help discover new ones. The sections below present mainly such statistical methods and laws. Another elementary property of syntactic units is length. Results on sentence length are surveyed in (Těšitelová 1992), cf. also art. No. 22. Uhlířová (1997) investigates word length as it relates to word order, see subsection 4.1. for further discussion. Other properties that are reviewed below more closely are the order (linearization) of syntactic units, their complexity, information in the sense of information theory, ambiguity, degree of grammaticality, properties related to phrase structure trees (such as the depth of embedding and the position in the sentence or in the mother constituent), etc. Quantitative investigations in syntax are often based on some formal model of syntax/grammar. It should be kept in mind that these models are only descriptive means. They differ in how suitable they are for describing various aspects of language and none of them is perfect or completely independent of the other ones, cf. Brown/Miller’s (1996) introduction to their encyclopedia of syntactic models. If different models are equally adequate to describe the syntactic feature, then it is ultimately irrelevant what model serves as the framework for the research. Certainly, when various models of syntax are applied, descriptive differences occur and are important for the insight and understanding, but the essence of the matter should be preserved. This is what can be called the Model-Independence principle. Its much more rigorous counterpart can be found in mathematics, where general truths are independent of the investigation tools used. There are also elaborate non-statistical methods which can be applied to syntax. These methods use some non-probabilistic measures of syntactic systems, units, or properties.

276

IV. Gebiete und Phänomene: Syntax / Fields and phenomena: syntax

Any modeling, statistical or not, requires some simplifications. Usually, only the relevant portion of the language(s) is considered and many less important details are ignored. On the other hand, research methods which use quantitation or measurement, or both, have to adhere to certain scientific principles as discussed in (Bunge 1995a). In this paper, Bunge gives examples of and warns against pseudoquantitation in social science. He maintains that any property of a concrete entity, other than existence, can in principle be quantitated and measured (his Programmatic principles 1 and 2), but this has to be done correctly, that is, the property and its unit of measure have to be well-defined. A survey of the research on syntactic units and their properties is given in section 4. below. Before that, section 3. presents some attempts to quantitate and measure whole syntactic systems.

3.

Quantitative properties of syntactic systems

There is a need in linguistics to compare syntactic systems of natural languages. For instance, complexity and efficiency of different languages/grammars are often discussed, like in the whole double issue of Linguistic Typology 5 (2/3) (2001). Researchers view language complexity differently, in some cases not even defining it precisely before it is discussed. It is important to be able to quantitate language complexity in order to get its objective measure. This is usually done indirectly, by quantitating complexity of the corresponding models of syntax/grammar (however, cf. the Model-Independence principle above). The generally accepted view is that a grammar (in this whole section, grammar is understood as a description device, a model) is simpler if it has fewer rules. This is, for instance, assumed by Thümmel (1992). His other criteria for a simpler grammar are the smaller number of non-terminal symbols, and, according to his principle 1, the smaller mean node index (the average number of non-terminal nodes per structure and per expression type). Thümmel then goes on and proposes eight more principles for evaluating grammars and measuring their optimality. The principles are presented in an informal way and are based on Hjelmslev’s and Chomsky’s ideas concerning the selec-

tion among several different correct grammars. Since the principles are interdependent, their dependences have to be determined and mapped accordingly in the construction of the overall measure of optimality. Another precondition is standardization of grammatical description. Vulanović’s (2003a) approach to grammar complexity is somewhat different. He considers grammar complexity not as determined solely by the number of rules, but as some kind of a relative measure in which it is important how the rules are used, i. e. what linguistic information they are supposed to convey. McWhorter’s (2001) comparison of Kikongo (a Bantu language) and Japanese can illustrate this. Kikongo distinguishes between four kinds of past tense including completive, while Japanese has only one past tense and no exclusive grammaticalized indicator of completiveness. Based on this, McWhorter concludes that this part of Kikongo grammar is more complex than the corresponding part of Japanese grammar. In Vulanović’s approach, if one language has more rules than another, it is not necessarily more complex. It is more complex if the more rules are used to convey the same or a smaller amount of linguistically relevant information. For whatever reason, the information conveyed by the four kinds of past tense is important to Kikongo speakers, which justifies the use of more grammatical rules. Vulanović (2003a) defines grammar complexity as the reciprocal of grammar efficiency, a concept introduced in (Vulanović 1991) and further developed in (Vulanović 1993; 2003a). Grammar efficiency is based on the approach taken by physicists and engineers when they measure machine efficiency. Machine efficiency is the quotient of two quantities: the measure of the useful output (work) is divided by the measure of the input work or energy. The efficiency is greater if the measure of the input is smaller and the measure of the output is greater. When this concept is applied to language, grammatical categories like word classes, cases, word order, etc. are viewed as the input, and the output is the linguistically relevant information that is to be conveyed. The word information is not used here in the sense of information theory. The phrase linguistically relevant information stands mainly for syntactic functions (like subject, object, and predicate), but this is extended in (Vu-

20. Syntactic units and structures

lanović, to appear b) to include the semantic and pragmatic functions of Dik’s (1997) Functional Grammar. The output is then measured by the number n of syntactic/semantic/pragmatic functions. In the latest 2003 version of grammar efficiency, which is described here, the input is also measured simply by the number k of grammatical conveyors, that is, grammatical categories excluding word order. Grammar efficiency, Eff, is therefore defined as proportional to n / k, and this quotient is multiplied by a scaling coefficient κ and another quantity, Q, which is related to word order: Eff Z κ Qn / k. The role of κ is to normalize efficiency values so that Eff Z 1 for all maximally efficient grammars. Thus in general, 0 % Eff % 1. Grammar efficiency depends on whether the language permits all possible unambiguous word orders or not. This is why the combinatorics of word order is important here. It is incorporated in the coefficient Q, which is defined as Q Z (ρ K ρ0) / ρ*, where ρ, ρ0, and ρ* can be described roughly as follows (the precise definitions are more complicated, see (Vulanović 2003a)). ρ is the number of parsed sentences permitted by the grammar and ρ0 shows how many of those result from ambiguous sentences. Q and Eff are directly proportional to ρ because if word order can be used more freely, the grammar is more efficient since it has fewer word order rules. At the same time, Q decreases when ρ0 increases because if there are more ambiguous sentences, then both parsing and communication are more difficult, and Eff should be smaller. ρ Z ρ0 means that all sentences are ambiguous, and then Eff reduces to 0 since successful communication is completely impossible. Finally, ρ* is the number of all parsed sentences obtained by parsing all permutations of each sentence. A more complex grammar can permit a greater number of parsed sentences and because of this, Q is inversely proportional to ρ*. It holds that 0 % ρ0 % ρ % ρ*, implying 0 % Q % 1. The maximum value Q Z 1 is reached only if all permutations of each sentence are unambiguous and used in the language. The following very elementary examples illustrate the above. In simple transitive sen-

277 tences, there are three syntactic functions that should be conveyed, S (subject), O (object), and P (predicate), so that n Z 3. If, like in English, there are only two conveyors, N (noun) and V (verb), then three sentences can be formed: VNN, NVN, and NNV. Since N can be interpreted as either S or O, the three sentences can be parsed in 12 different ways, giving ρ* Z 12 parsed sentences (a parsed sentence is a string of ordered pairs like (V, P)(N, O)(N, S), each pair indicating how the grammatical conveyor is interpreted). Of the 12 parsed sentences, only 6 are acceptable, each involving all three syntactic functions. No more than three of those can be permitted by the grammar without creating ambiguity. For instance, one possibility would be (V, P)(N, S) (N, O), (N, S)(V, P)(N, O), and (N, S)(N, O) (V, P). If a fourth parsed sentence, say (V, P)(N, O)(N, S), is added to them, then the sentence VNN is ambiguous since it can be analyzed as either PSO or POS, and then ρ0 Z 2. Thus, the maximally efficient grammar with n Z 3 and k Z 2 can permit ρ Z 3 unambiguous parsed sentences. Since the efficiency of this grammar is 1, the coefficient κ is found to be κ Z 8/3. This value is to be used when calculating Eff of all grammars with n Z 3 and k Z 2. Therefore, in English, where NVN is the only sentence, Eff Z 1/3. (The order NNV, analyzed as OSP due to topicalization, is not considered here, but can be modeled as well.) The reciprocal of the efficiency value is used to evaluate complexity of this grammar, which is then 3. If the number of conveyors is k Z 3, like in Latin, where the nominative and accusative cases are used to convey S and O respectively, then ρ* Z 6. The greatest possible value of ρ is 6 and no sentence is ambiguous. This gives κ Z 1. Then, if all the six permutations of S, O, and P are equally permissible, Eff Z 1, and the same value is assigned to grammar complexity (1 is the smallest possible complexity measure). If only one permutation is kept, efficiency drops to 1/6 and complexity rises to 6. The approach illustrated above can be applied to more complicated structures. Moreover, different sentence types can be considered simultaneously and the efficiency of the whole system can be determined. It is also possible to use membership grades from the theory of fuzzy sets in order to represent degrees of grammaticality or the rela-

278

IV. Gebiete und Phänomene: Syntax / Fields and phenomena: syntax

tive frequency of sentences with different orders of constituents. Thus, grammar efficiency is a numerical representation of the grammatical structure. When grammar efficiency is calculated, it is necessary to determine the greatest possible number of word orders that can be permitted without creating ambiguity. This combinatorial question is considered in (Vulanović, to appear b) and solved in general for some special cases. One of them is the case of a single sentence type with k conveyors which are supposed to convey n different syntactic/semantic/pragmatic functions, where n R k. The greatest possible value of ρ in this case is n! (q!)rKk [(q C 1)!]Kr, where q and r are respectively the quotient and the remainder when n is divided by k, that is, n Z qk C r, q 2 {1, 2, . , n}, r 2 {0, 1, . , k K 1}. The above investigation is concerned more with what is theoretically possible in the syntactic system, than what the actual language usage is. Even the basic syntactic ambiguities can be found in some languages. Mithun (1987) reports the case of Cayuga, in which the simplest sentences consisting of a transitive verb and two fully expressed nominals may be ambiguous. In Cayuga and many other similar languages, such sentences can be disambiguated from the context. Moreover, they are used very rarely, see (Newmeyer 2003) for a survey. Newmeyer nevertheless argues in favor of grammatical analyses regardless of language usage. Hawkins (2003) also speaks of efficiency and complexity, but in grammars, not of grammars, taking an approach which is much closer to language usage. His work is discussed in 4.1. below.

4.

Hypotheses, laws, and theories

This section surveys some results of research on different syntactic units and properties. These are either results of quantitative investigations, or results of theoretical analyses supported by quantitative methods. Some of the theories presented here are still under construction, but typically for linguistics, even the well-developed ones still undergo modifications and verifications. 4.1. Word order variation Word order variation across languages has been the focus of linguistic typology investi-

gations since Greenberg’s seminal paper, see (Greenberg 1966) and also art. No. 42 in this Handbook. In his paper, Greenberg considers two language samples. For the larger one, consisting of 142 languages or groups of languages, he considers 24 possible combinations of 4 linearization properties: (1) three orders of the verb, subject, and object (VSO, SVO, and SOV K the only orders present in the sample), (2) whether adpositions are preposed or postposed, (3) the order of the noun and the genitive, and (4) the order of the noun and the adjective. He provides frequencies of the 24 possible types in the language sample. Based on the counts, Greenberg is able to state some ordering universals, most of which are statistical tendencies. Their logical form is implicational, like VSO / Pr (“Languages with the dominant VSO order are always prepositional” K one of the universals without exception). Implicational universals continue to be used in linguistic typology, but not completely without a controversy. Cysouw (2003, 89) finds implicational universals an invalid tool, statistically speaking, which “often leads to erroneous interpretations of data suggestive of implicational relationships.” Responses by three typologists (Maslova, Dryer, and Plank), standing in defense of implicational universals, follow Cysouw’s paper. Researchers of word order typology after (Greenberg 1966) have expanded the language sample considerably; for instance, Dryer (2003) reports in his response to Cysouw (2003) that his typological database contains data for over 1200 languages. Several hypotheses have been put forward which try to explain word order universals. Hawkins (1983) contains a survey, as well as Hawkins’ own hypothesis formulated as the principle of Cross-Category Harmony (CCH). CCH is defined operationally and requires the calculation of the so-called operator-operand deviations. However, since his 1990 paper, Hawkins has started to investigate word order variations from the perspective of the human parser. This approach is outlined in (Hawkins 2003), where three powerful principles are discussed, (1) Minimize Domains, (2) Minimize Forms, and (3) Maximize On-Line Processing. These principles can explain the language performance data, collected from corpora and processing experiments. All three prin-

20. Syntactic units and structures

ciples fall within the general Zipf’s (1949) principle of least effort. They are based on the preferences of the human parser and efficiency in grammars is understood as processing efficiency. The principles can be briefly described as follows. Principle (1) refers to the size of the syntactic domain within which processing takes place and to the questions about the distance between interrelated items or the amount of the material that have to be processed. Principle (2) requires that the effort needed for processing linguistic forms be minimized through the reduction of the number of formal units comprising a linguistic form, and also through the reduction of the number of forms with unique property assignments. Finally, principle (3) states that, during sentence processing, syntactic and semantic properties should be recognizable as productively as possible, that is, without any significant delays and misassignments of the properties. Quantitative analyses which have been performed so far in support of the principles (cf. (Hawkins 1994; 1999a; 1999b; 2003; Lohse/Hawkins/Wasow 2004) for instance) suggest that syntax is largely performance-driven and show that there is a correspondence between the preferences of performance and preferences of grammars. This contradicts the Chomskian view that grammars are independent of performance. Principle (1) has been discussed and tested more that the other two and this is why it is now described more closely. Unlike the definition of grammar efficiency in section 3., the definition of principle (1) requires phrase structure trees (X-bar theory). Relations of combination and dependency are defined first (Hawkins 2003): (a) Two categories A and B are in a relation of combination if and only if they occur within the same syntactic mother phrase or maximal projection. (b) Two categories A and B are in a relation of dependency if and only if the processing of B requires access to A for the assignment of syntactic or semantic properties to B with respect to which B is zero-specified or ambiguously or polysemously specified. Then the principle Minimize Domains can be introduced: Minimize Domains (Hawkins 2003, 123). The human processor prefers to minimize the connected sequences of linguis-

279 tic forms and their conventionally associated syntactic and semantic properties in which relations of combination and/ or dependency are processed. The degree of this preference will be proportional to the number of relations whose domains can be minimized in competing sequences or structures, and to the extent of the minimization difference in each domain. Hawkins (2003) surveys three manifestations of domain minimization. One of them is adjacency or non-adjacency of certain categories to their heads (Hawkins 2001), and another is the minimization of filler-gap domains in wh-questions and relative clauses (Hawkins 1999a). More details are provided here for the third one only, the minimization of phrasal combination domains, which replace the previous constituent recognition domains (PCDs) (Hawkins 1994; 1999b). This is illustrated by an example (see (Hawkins 2003; Lohse/Hawkins/Wasow 2004) for the precise definitions of these domains). Consider the following two sentences taken from (Hawkins 1999b): (a) The astronomer VP[gazed PP1[through his telescope] PP2[into the dark but moonlit sky.]] (b) The astronomer VP[gazed PP2[into the dark but moonlit sky] PP1[through his telescope.]] The verb phrase VP and prepositional phrases (PPs) PP1 and PP2 are indicated above. Note that PP1 is shorter than PP2. VP has three immediate constituents (ICs): the verb gazed, PP1, and PP2. The IC-toword ratio is calculated for sentence (a) as 3/5 Z 60 % because the three ICs are recognized in a) on the basis of 5 words (gazed through his telescope into). For sentence (b), the IC-to-word ratio is smaller, 3/8 Z 37.5 %, since 8 words are needed (gazed into the dark but moonlit sky through). The higher percentage indicates the preferable ordering and sentence (a) is considered to be more efficient. This is an example of the principle of Early Immediate Constituents (EIC), see (Hawkins 1994, 77), which falls within the Minimize Domains principle. The formulation below is from (Hawkins 2003): Early Immediate Constituents (EIC) (Hawkins 2003, 125). The human processor prefers linear orders that minimize PCDs (by maximizing their IC-to-word

280

IV. Gebiete und Phänomene: Syntax / Fields and phenomena: syntax

ratios), in proportion to the minimization difference between competing orders. According to EIC, languages like English prefer shorter PPs before longer ones (the situation is opposite in head-final languages). Hawkins (1999b) collects data on this from a 500-page sample of written English and finds shorter or equal-length PPs adjacent to the verb in 85 % of the data. Moreover, as the difference in length between PPs increases, the preference for the short-before-long order increases as well. One of the conclusions of (Hawkins 1999b) is that processing efficiency is the main factor determining the order of PPs. Lexicalsemantic factors predominate only when there is no clear syntactic preference, and ambiguity avoidance does not seem to be a factor at all. Analogous results for English verb-particle constructions are reported in (Lohse/Hawkins/Wasow 2004). Hawkins (2003) tests EIC also against grammars by considering two of Greenberg’s (1966) universals. In the case of the universal concerning the order of the verb, preposition, and noun phrase, it is found that 94 % of all languages in the sample conform to EIC. The same is true for 93 % of the languages when the order of the preposition, noun, and possessive phrase is considered. Hoffmann (1999) also tests EIC as applied to two juxtaposed PPs. She uses the Penn Treebank Corpus of English to collect data for two variables, x Z length difference of the two PPs, and y Z relative frequency of the short-before-long order for each value of x. The data show that y is an increasing function of x. Hoffmann tries also to find a suitable fit to the data by considering two possible formulas for y Z f (x), an exponential and a power function. It turns out that the exponential function produces a better fit, but the function is not deduced theoretically and the linguistic interpretation of the parameters is not given. A modified length difference between the two PPs (some kind of relative difference) is also considered in order to account for the importance of xvalues relative to the length of the PPs. For instance, a length difference of 1 is more important between, say, 3- and 4-word PPs than between 19- and 20-word PPs. However, with this modified length difference, the y-values become very scattered and neither fit is satisfactory.

The phenomenon that longer syntactic structures come after shorter ones, which EIC explains, was observed already by Behaghel (1930) and formulated as the Gesetz der wachsended Glieder: Von zwei Gliedern von verschiedenem Umfang steht das umfangreichere nach [the “law of growing members: Of two members of different sizes the larger one comes latest”]. Behaghel tested his law on data from German, Latin, and Greek. Uhlířová (1997) studies what is essentially the same hypothesis using Czech data. She investigates relationships between word length (measured in the number of syllables) and word position in clauses for clauses of different length. Similar results are found for all clause lengths: words in the first position have the smallest average length and those in the last position K the greatest. As for the intermediate positions, average word lengths show some characteristic oscillations. Uhlířová continues by considering nouns, conjunctions, and verbs separately. Nouns, being longer words in Czech, behave similarly to the average word length. Conjunctions, which are short, show opposite behavior K their relative frequency is highest in the first position in clauses of all lengths. Verbs, on the other hand, typically have highest relative frequency in middle positions, which can be explained by the fact that Czech is an SVO language. Uhlířová also finds suitable formulas to fit the data. (Saukkonen 1997) and (Gries 2001) are two other examples of research on word order variation as interpreted in terms of human language processing. Saukkonen gives a typological discussion of Finnish word order and Gries carries out a multifactorial analysis of word order and other syntactic variations. Gries takes processing effort for the central notion of his investigations, understanding it quite broadly. He assumes that all levels of linguistic description, not just syntax, contribute to it. This is why he finds multifactorial analysis the only appropriate method for this kind of research. Another example of sophisticated statistical methods applied to word order data is (Tweedie/Frischer 1999). Tweedie and Frischer use compositional data analysis of Latin and Classical Greek texts to explore the direct object position relative to the governing verb, considering main clauses and other clauses separately. The subjective conclusions obtained from the principle components and cluster analyses are validated by

20. Syntactic units and structures

the discriminant analysis. The results confirm the expected orders, OV in Latin texts and VO in Greek texts, showing a few exceptions which can be explained by the Greek influence on the Latin original or vice versa. (Kroch/Taylor 1997) is an example of corpus-based analysis of word order variation. In this paper, Kroch and Taylor use the Penn-Helsinki Parsed Corpus of Middle English and discuss dialectal variation in the use of verb-second order (V2) as inherited from Old English. 4.2. Syntactic change Word order change, as a special case of syntactic change, can be investigated using the same techniques as those for word order variation. For instance, Hawkins (1983) applies his implicational universals and the CCH principle to historical word order data and arrives at diachronic predictions about most likely word order changes. He tests these predictions on a language sample from Indo-European and particularly from the Germanic family. (Yang 2000) is another research which connects word order change (and even more generally K syntactic change) to word order variation. Yang uses the data from (Kroch/Taylor 1997) to discuss the erosion of V2 in Middle English. The dialectal variation considered in (Kroch/ Taylor 1997) supports Yang’s formal model of competing grammars. He discusses advantages of one grammar over another to explain the V2 erosion. The same variational model explains the loss of V2 in French, where the pro-drop status of Old French is an important factor of the change. Vulanović (1993; 1999) models word order change using his grammar efficiency concept, see section 3. The change from the SOV order to the SVO order is considered in both papers. In (Vulanović 1993), the change is described in general, more theoretical terms, whereas in (Vulanović 1999), it is more specifically related to French and is represented with more details. The grammar efficiency approach can be used to model various other syntactic changes. Reanalysis is part of the syntactic changes discussed in (Vulanović 1995; to appear a). Grammaticalization is modeled in (Vulanović 1997) and it is also part of the process considered in (Vulanović to appear a). The reanalysis in (Vulanović 1995) is that of passive to ergative as it happened in Polynesian languages according to one hypothesis. (Vu-

281 lanović 1997) deals with the historical development of negation in French and (Vulanović to appear a) with the change in periphrastic do in affirmative declarative English sentences. This is how grammar efficiency is applied to syntactic change. When a syntactic change is divided into several stages, each stage can be represented by its grammar efficiency. In this way, a sequence of numbers is obtained, which gives a numerical representation of the change. The result is mainly descriptive, but it is still an effective and concise representation of the change, which can help in the identification and better understanding of syntactic change universals. The stages with stable syntactic structures, right before the change starts and right after it ends, are called starting and ending changes respectively. The stages in between describe the actual process of change. The affected syntactic structures show instability during this process and the values of grammar efficiency fluctuate and are generally lower, diminished by ambiguity, the use of redundant grammatical conveyors, or by different competing grammatical structures. As ambiguity disappears, as unnecessary conveyors are eliminated, and as grammatical structures stabilize, grammar efficiency increases but it does not have to return to its original value. All the models mentioned above show the following general characteristics: The principles of grammar efficiency change (a) During a syntactic change, grammar efficiency has the greatest value either at the starting or at the ending stage, or at both. (b) The value of grammar efficiency at the starting stage is greater than the value at the first stage of syntactic change. (c) The value of grammar efficiency at the ending stage is greater than the value at the last stage of syntactic change. Based on this general pattern, Vulanović (to appear a) is able to show that emphatic do has to be considered a factor of the change affecting periphrastic do in affirmative declarative sentences. The main source of information on the historical development of periphrastic do in different types of English sentences is (Ellega˚rd 1953). Ellega˚rd collected and analyzed data from 107 texts between 1390 and 1710. The percentage of periphrastic do increases (with some oscilla-

282

IV. Gebiete und Phänomene: Syntax / Fields and phenomena: syntax

tions) throughout the period in all sentence types except affirmative declarative sentences (the other sentence types are negative declaratives, affirmative and negative questions, and negative imperatives). In affirmative declaratives, the frequency of periphrastic do initially increases, reaches its peak of about 10 % around 1560, and then decreases. Ellega˚rd’s hypothesis is that the reason for this exceptional change is the reanalysis of affirmative declarative periphrastic do as emphatic do. This is confirmed in (Vulanović to appear a). Grammar efficiency models show that the use of periphrastic do in affirmative declaratives can continue to increase only in absence of emphatic do. When the hypothetical increase of periphrastic do is modeled with emphatic do, the above principle (c) is violated, i. e. there is no recovery of efficiency after the change is over. Since emphatic do is indeed present in Modern English, this shows why the use of periphrastic do could not continue to rise, but had to decline in affirmative declarative sentences. The grammar efficiency model of the actual change is verified by a comparison to the models of the change in affirmative questions and negative declaratives. All the models satisfy the above principles of grammar efficiency change. Another issue related to the periphrastic do change in affirmative declaratives is how to find the right fit to the data. Frequency graphs of periphrastic do in other sentence types have the characteristic S shape, which is absent in the case of affirmative declarative sentences. The S-shaped curve can be observed in many linguistic changes, cf. (Altmann 1983; Altmann/von Buttlar/Rott et al. 1983) and a recent survey in (Best 2003). Most of the examples in these papers are not from syntax, but from other branches of linguistics. Best (2003) mentions one S-shaped curve in syntax, viz. the growth of the definite article in Old French. Other examples from syntax include the two changes considered in (Kroch 1989): the rise of the definite article in Portuguese possessive noun phrases and the loss of the verbsecond order in French. Yet another example is the change affecting the prospective meaning of the phrase be after V-ing in Irish English, which was reanalyzed as perfective (McCafferty 2004). The S-shape motivates the use of the logistic curve (the solution of the logistic differential equation) for the fit (Altmann/von Buttlar/Rott et al. 1983). In-

deed, Kroch (1989) shows that the logistic provides a good fit to the periphrastic do data in all but affirmative declarative sentence types. After linearizing the data, Kroch analyzes the slopes and intercepts of the regression lines to conclude that syntactic change proceeds at the same rate in all the contexts in which it can occur. Ogura (1993) takes the same approach to the periphrastic do change, but analyzes the data differently. Ogura’s claim is that changes in different sentence types start at different times and at different rates K the later the start, the greater the change rate. Neither Kroch (1989), nor Ogura (1993), are able to find the fit to the data for periphrastic do in affirmative declarative sentences, apparently not being aware of (Altmann 1983). In this paper, Altmann proposes a modified logistic curve for fitting reversible changes in which growth is followed by decline. He refers to the logistic curve as the Piotrovskij law (Piotrowski-Gesetz in German), cf. art. No. 44 in this Handbook, as well as (Altmann/von Buttlar/Rott et al. 1983). The change in the frequency of the Latin pronoun hic is another example of a reversible change in syntax (cf. Best 2003), where the modified logistic curve is used also to fit the data describing this change. Of course, the same type of fit can be applied to the affirmative declarative periphrastic do data. This is done in (Vulanović 2003b) and compared to another possible fit which combines two simple S-shaped logistic curves, one increasing and the other decreasing. The latter fit, which is equivalent of the twophase linear regression after the data are linearized, is somewhat better. Besides, its advantage lies in the fact that it uses simpler basic curves and therefore the whole change can be viewed as a manifestation of the Piotrovskij law in its simplest form. 4.3. Menzerath-Altmann law in syntax The Menzerath-Altmann law (“the (mean) size of the components of a linguistic construction is a function of the size of the given construction, measured in terms of the number of its components”, cf. art. no. 47) covers all levels of linguistic analysis. Most of the phenomena predicted by this law have been investigated thoroughly on data from various languages and with respect to phonetics, phonology, morphology, the lexicon, syntax, and even the text level. The studies con-

283

20. Syntactic units and structures Components on level x

Components on level x-1

Structural information on level x

Structural information on level x-1

Fig. 20.1: Language processing register: the more components, the more structural information on each level.

ducted so far on the validity of the law in syntax make use of the equation y Z ax b eKcx ,

(1)

where the dependent variable y is the clause length (measured in terms of the number of words) and the independent variable x is the sentence length (measured in terms of the number of clauses). Syntactic level data typically show that the exponential factor eKcx seems to be irrelevant in this equation, as opposed to the phonetic/phonological level, where the power factor x b does not play any significant role. The law, as formulated by Altmann, is one of the so-called phenomenological laws, i. e. it states that one quantity depends on another without going into the details of the mechanisms which are responsible for the dependence. Examples of this kind of laws can be found in mechanics and other areas of physics, like Galileo’s law of the pendulum for instance. In (Köhler 1984), a model of some properties of the human language processing mechanism is proposed in order to set up a hypothesis that can serve as a representational law, i. e. the kind of law which unveils the internal details of the model (phenomenological laws correspond to some extent to black boxes, whereas representational laws may be compared to gray or white boxes). The consideration which leads to the model starts at the syntactic level. The basic idea of the hypothesis can be characterized by two assumptions: (a) There is a special register (such as the hypothetical short term memory but not necessarily identical to it) for language processing, which has to serve two requirements: (i) It must store, on each level, the components of a linguistic construction under analysis until its processing has been completed, and, at the same time, (ii) it must hold the re-

sult of the analysis (the structural information about the connections among the components, i. e. the connections between nodes and the types of the individual relations), as well as K on the lowest level K pointers or links to lexical entries. This register has a limited and more or less fixed capacity (cf. Fig. 20.1). (b) The more components constitute the construction, the more structural information must be stored. However, the increase in structural information is not proportional to the number of components because there are combinatorial restrictions on each level (phonotactics, morphotactics, syntax, lexo- and semotactics), and because the number of possible relations and types of relations decreases with the increase of the number of already realized connections. It can be assumed that the rate of increase of structural information to be stored is inversely proportional to the rate of increase in components. A consequence of these two assumptions is that the memory space, which is left in the register for the components of a construct, depends on the number of the components. This means that on each level there is an upper limit to the length of constructs, and that with increasing structural information there is less space for the components, which must, in turn, get shorter. One of the consequences of the model is a more or less linear interrelation between the values of the parameters a and b in formula (1) (for empirical results cf. art. No. 47). Another one is that the dependence of the amount of structural information on the number of components should form a curve according to the equation y Z ax b, where b O 0, while the Menzerath-Altmann curve

284

IV. Gebiete und Phänomene: Syntax / Fields and phenomena: syntax

must have a negative b. The availability of large syntactically annotated linguistic corpora made it possible to test the latter consequence of the representational variant of the Menzerath-Altmann law in (Köhler 2000), although it is impossible to directly measure the structural information stored during natural language processing. It is, however, possible to measure the amount of information which is connected with individual components of a syntactic construction in relation to their position in the construction. This is done by determining the number of alternatives which would be correct or acceptable at the given position. Thus, a nominal phrase can begin with a determiner, a pronoun, a proper noun, and, say, five other constituent types. This means that, at position 1 of this construction type, 8 alternatives can be realized. Next, the number of alternatives at position 2 is counted and so forth. The method can be applied either to sentences or to any syntactic constructions. Furthermore, it can be used with function types instead of construction types (cf. section 4.5.1.). In any case, a good measure of information is the logarithm of the number of alternatives (cf. art. No. 61). The base of the logarithm depends on how the information is stored, but this is not crucial since logarithms can be transformed from one base to another. Figure 20.2 shows an example of the data collected from the Susanne corpus (the German Negra corpus yields similar results). The form of the curve is compatible with the hypothesis. Intuitively, one would expect similar or even better results if, as a measure of infor-

1.5

1.0

0.5

0.0

1

2

3

4

5

6

7

8

9

10

11

12

Fig. 20.2: Logarithm of the number of possible alternatives of constituent types in dependence on the position in the entire Susanne corpus (solid line) and in the four text types included in this corpus (dashed lines).

3.0

2.5

2.0

1.5

1.0

0.5

0.0 1

2

3

4

5

6

7

8

9

10

11

12

Fig. 20.3: The negentropy associated with the number and probability of possible constituents at a given position in the Susanne corpus (solid line) and in the four text types included in this corpus (dashed lines).

mation, entropy or negentropy were used. Surprisingly, a more complicated curve is obtained in this case (cf. figure 20.3). If this finding is confirmed by further studies, this could mean that the probabilities of the possible alternatives are irrelevant for the memory space needed. 4.4. Dynamic behavior of syntactic units in texts It has become clear over the decades of research that the simple type-token ratio (TTR Z the number of different units divided by the number of all units in a text), considered as a measure of vocabulary richness of an author, of an individual text, or of a genre (as used in stylistics), brings with it too many problems to be useful for scientific purposes. For instance, empirical studies have shown that the TTR depends on the text length and various ideas to compensate for this dependency have been discussed. An even more serious problem is the fact that the statistical distribution of this index is unknown and, therefore, tests of significance of differences in the TTR between authors or texts cannot be conducted. This is why a more dynamic approach has been introduced. Instead of this simple index, i. e. a single number as a characteristics of a whole text or an author’s work, the dynamic increase of the lexical inventory in the course of the text under consideration has become the object of investigation (cf. art. No. 27). Various approaches have been proposed to the mathematical modeling of the dependence of the TTR on text position (Altmann

285

20. Syntactic units and structures

dT T

Zb

dL L

,

(2)

where T Z number of types and L Z number of tokens (both from the beginning of the text to the given text position). The solution of equation (2) is the function T Z aLb.

(3)

This function is successfully used in the area of text vocabulary. A different function derived from a similar approach has been found for musical units (Köhler/Martináková-Rendeková 1998). In (Köhler 2003a; 2003b), the question is asked whether there is an analogous TTR on the syntactic level. Using the Susanne corpus, data were collected forming two different data sets: (a) syntactic constructions (sentences, clauses, phrases) and (b) parts of speech. As the inventories of units taken into account are considerably smaller (by the factor of 1000) than the lexical inventories, and as the multifunctionality of the forms is higher, a different theoretical model must be set up. A faster increase of types can be expected, i. e. a larger exponent b. On the other hand, a smaller inventory is exhausted earlier. Therefore, the model receives an additive term (with a negative value) representing this property: dT Z T

( ) b

L

C c dL, c ! 0.

(4)

T Z eKcLbe cL Z Lbe c(LK1), c ! 0.

This function can be fitted to the data of the 64 texts of the corpus with excellent results. An example of data from sentence, clause, and phrase counts is shown in Figure 20.4, while Figure 20.5 shows the dependence of the empirical parameters b and c for all the texts in the corpus. The individual texts are differentiated according to the four text types in the corpus. A linear regression is possible (determination coefficient D Z 0.6261). Model (6), however, cannot be used for syntactic functions. Since the inventory of syntactic functions as defined in the Susanne corpus is even smaller than the one of syntactic construction types (by the factor 10), the influence of inventory size seems to have a greater effect. To take this effect into account, the differential equation (2) is modified as in (7),

100

50

0

300

600

900 Tokens

1200

1500

1800

-0.0001

(5)

-0.0002

Parameter c

which corresponds to the equation representing the Menzerath-Altmann law (cf. equation (1) in 4.3 and art. No. 47). Although this function in its general form is not appropriate as a model of TTR phenomena (depending on the interval and the parameter configuration, non-monotonous variants exist), it can be used without any problems under the following special conditions. For L Z 1 and T Z 1 (the first token is always the first type), the parameter a has the value eKc as in equation (6),

0

Fig. 20.4: TTR curve. Empirical data and theoretical values according to equation (6).

The solution of this differential equation is T Z aLbe cL, c ! 0,

(6)

Types

1988, 86 f.). Only the most interesting and successful approach is discussed here. It is a direct derivation of a function from theoretical considerations which assume a constant relative increase of new items (Tuldava 1980; Altmann 1988). This can be formulated as a very simple differential equation,

-0.0003 -0.0004 -0.0005 -0.0006 -0.0007 0.64

0.66

0.68

0.70 0.72 Parameter b

0.74

0.76

0.78

Fig. 20.5: The dependence of parameter c on parameter b in the TTR curves (6).

286

IV. Gebiete und Phänomene: Syntax / Fields and phenomena: syntax

dT

b

T

bution is an appropriate model of the corresponding probability. Other authors (for details cf. Altmann 1988, 175) have used the normal and the log-normal distributions. Later, a theoretical derivation of the negative hypergeometric distribution was given, empirically tested, and baptized Frumkina’s law by Altmann (Altmann/Burdinski 1982; Altmann 1988, 175 ff.). In (Köhler 2001), a first attempt is made at investigating the block distribution of linguistic units at the syntactic level. In this study, two kinds of categories are observed: clause types and function types. 17 clause types are defined, such as main clause, embedded quoting clause, adverbial, nominal, relative, fused, comparative, infinitival clause, etc., and 23 syntactic function types, among them logical subject and object (direct and indirect), prepositional object, predicate complement (of subject and object), place, direction, time, manner, modality, contingency, etc. The text corpus used for the study is the Susanne corpus. In the case of running words as objects of observation, the definition of block elements and their positions in a block is evident, whereas syntactic units do not in an unambiguous way correspond to terminal (surface) elements. Hence, there is more than one way to determine the block size and to calculate the distribution of the occurrences of the observed units. In particular, two plausible ways of counting seem to be possible: either each syntactic construction is counted as a block element or only clauses are taken into account. As types of syntactic constructions are much more frequent than specific words, smaller block sizes are chosen K 100 or 20, depending on the type of block elements, as opposed to

dL

Z

L ( aL C b) a 1 K Z dL L aL C b

(

)

(7)

The general solution of equation (7) is TZ

kL aL C b

.

(8)

The limit of this solution when L/N should be 1/a, so that the parameter a equals the inverted inventory size. This determines k as k Z 1. Moreover, like before, at L Z 1, T must have the value of 1, hence b Z 1Ka. The general solution (8) therefore reduces to (9), TZ

L aL K a C 1

,

(9)

where the parameter a can be determined using the empirical inventory size. This is one of the rare cases where the curve does not have to be fitted to the data. In (Köhler 2003a), the model is corroborated on the data from the Susanne corpus. 4.5. Probability distributions in syntax 4.5.1. Frumkina’s law and its application to syntax One of the basic kinds of repetition in texts is word distribution in text blocks (cf. Altmann 1988, 174 ff.). First, a text is segmented into blocks (adjacent passages of equal size) and then the frequency of the given word is counted in each block. Frumkina (1962) was the first to investigate the number of blocks with x occurrences of a given word, where x is considered a random variable. She started from the assumption that the Poisson distri-

Susges.prt - Negative binomial (k, p) 195 180 165 Altmann Fitter 2.0

150 135 120 105 90 75 60 45 30 15 0

1

2

3

4

5

6

7 8 F[x], NP[x]

9

10

11

12

13

Fig. 20.6: Graph of the empirical and theoretical data in Table 20.1

287

20. Syntactic units and structures

Altmann Fitter 2.0

Susges.o - Negative hypergeometric (K, M, n) 490 455 420 385 350 315 280 245 210 175 140 105 70 35 0

1

2

3

4

5

6 7 F[x], NP[x]

8

9

10

11

Fig. 20.7: Graph of the empirical and theoretical data in Table 20.2

words, for which a block size of 5000 is common. In all cases, the empirical findings confirm the hypothesis that the analyzed categories are block distributed according to Frumkina’s law. The negative hypergeometric distribution, and in many cases the negative binomial distribution, can be fitted to the data with very good results (the negative hypergeometric distribution converges to the negative binomial distribution if specific parameter configurations are given). Figures 20.6 and 20.7 and Tables 20.1 and 20.2 show two examples of the data and the fitting of the distributions. Table 20.1: No. of blocks with x occurrences of (present and past) participle clauses Block elements: all syntactic constructions Distribution: Negative binomial (k,p) Sample size: 976 Block size: 20 X [i]

F [i]

NP [i]

0 1 2 3 4 5 6 7 8 9 10 11 12

55 143 205 181 148 102 78 37 17 3 5 1 1

54.2566 139.7840 194.6567 194.2587 155.5343 106.1174 64.0267 35.0216 17.6757 8.3398 3.7155 1.5754 1.0377

k p DF X2 P (X 2)

Z 12.34 Z 0.79 Z 10 Z 9.3251 Z 0.5015

Table 20.2: No. of blocks with x occurrences of a logical direct object Block elements: all syntactic constructions Distribution: Negative Hypergeometric (K, M, n) Sample size: 2304 Block size: 20 X [i]

F [i]

NP [i]

0 1 2 3 4 5 6 7 8 9 10

76 245 397 497 451 315 198 86 30 5 4

76.2299 240.3224 408.8336 487.4573 446.5574 325.9999 191.0488 88.4321 30.8775 7.3388 0.9022

K M n DF X2 P (X 2)

Z 19.87 Z 6.92 Z 10 Z 6 Z 1.4511 Z 0.9627

If future investigations corroborate these results, one can conclude that the probability of occurrence of syntactic categories in text blocks can be modeled in the same way as the probability of words, i. e. that Frumkina’s law, which was first found and tested on words, can be generalized (as already supposed by Altmann) to all types of linguistic units. Furthermore, certain types of computational text processing could profit if specific constructions or categories can be differentiated and found automatically by their particular distributions (or, by the fact that they do not follow expected distributions) K in analogy to key words.

288

IV. Gebiete und Phänomene: Syntax / Fields and phenomena: syntax

4.5.2. Probability distributions of syntactic units and properties Probability distributions of syntactic units and properties are analyzed in (Köhler/Altmann 2000). It is shown that the properties of syntactic constructions (which are considered and tested only empirically in Köhler’s (1999) basic synergetic model of syntax, see section 4.6. below) are governed by only a few distributions from a common family of probability distributions. The database used consists of two corpora, the English Susanne corpus and the German Negra-Korpus. The tested properties are frequency, complexity, depth of embedding, length, and position. They refer to all types of syntactic constructions and to all levels that they may occupy in the phrase structure tree. Frequency, for instance, is found for each pattern of immediate constituents, which is treated as a basic unit. This is done for constructions on all levels of embedding and regardless of the structure of the immediate constituents. The data from both corpora support the hypothesis that the frequency spectrum of syntactic constructions follows the Waring distribution, which was originally designed as a model of word frequency distribution (cf. art. No. 30). The complexity of a syntactic construction is defined as the number of immediate constituents. The number of constructions with a given complexity is considered as a random variable. This time, the data from both corpora follow the hyper-Pascal distribution. The same law applies to the distribution of the number of constructions with a given depth of embedding. The depth of embedding is defined as the number of steps from S (the sentence level with depth 0) to the given constituent. The notion depth of embedding is motivated by (Yngve 1960), see section 4.6. below. The length of a syntactic construction is defined as the number of terminal nodes belonging to the construction. The number of constructions with a given length follows an extended positive negative binomial distribution, and an extended logarithmic distribution in a special case. Finally, Köhler and Altmann consider the position (counted from left to right) of each construction in its mother constituent. The complexity of a construction is its maximum position. It is shown that the data conform to the 1-displaced Cohen-binomial distribution. The simple binomial distribution displaced to the

right by one would suffice for the Susanne corpus. The Cohen-binomial distribution is required by the Negra-Korpus, in which the data have a non-monotonous shape. 4.6. Interrelations and dependencies of syntactic structure properties This subsection presents Köhler’s (1999) analysis of the relations within a synergetic model of syntax. Synergetic linguistics views language as a self-organizing and self-regulating system (cf. art. No. 53). Following the existing models of lexical and morphological subsystems, Köhler sets up a basic syntactic subsystem and uses it to discuss and empirically test interrelations of the same properties of syntactic structures as those defined in 4.5.2. An additional property considered is information (in the sense of information theory), which corresponds to the memory space needed for temporary storage of grammatical relations of the constituent. The Susanne corpus of English language serves as a database for his tests. Interrelations and dependencies of frequency, length, and complexity are discussed first. They are governed by two requirements built into the syntactic subsystem: minP (minimize production effort) and maxC (maximize compactness), cf. Hawkins’ principles Minimize Domains and Minimize Forms, discussed in 4.1. The requirement minP is realized in the relation between frequency and length when the most frequent constructions are the shortest ones. Consequently, the corresponding rank-frequency distribution should be formally similar to Zipf-Mandelbrot’s law (cf. art. No. 10, 30). This is confirmed by the data. Length, on the other hand, is stochastically proportional to complexity. The same curve as in (1), repeated here in (10) for convenience, y Z ax beKcx,

(10)

is fitted to the data for y Z constituent length and x Z constituent complexity. The determination coefficient is D Z 0.96. The same type of curve, with y Z average constituent frequency and x Z constituent complexity, can be fitted to the data as well, giving D Z 0.99. The former curve increases and the latter decreases, as expected. No goodness-of-fit test is performed because the functions used are not based on any theoretically corroborated hypothesis. The plot showing the dependence of the average constituent complexity on the constituent

289

20. Syntactic units and structures

frequency is too scattered for a good fit, but the expected inverse proportionality can be observed. Next, the interdependence is studied of the position and length, as well as of the position and complexity. The average constituent length and the average constituent complexity are considered and the position is taken to be that in the mother constituent. The data confirm a modified EIC principle (cf. 4.1.), which is also made one of the requirements of the model. The EIC principle is modified by using complexity instead of length. The depth of embedding as a syntactic property is motivated by Yngve’s (1960) Depth Saving principle (cf. also Yngve 1996). Yngve’s definition of depth is somewhat different: the depth of a sentence is the maximum number of symbols in the phrase structure tree that have to be stored during the construction of the sentence. Yngve’s hypothesis is that the sentences actually used in any spoken language have a depth which is equal or nearly equal to the span of immediate memory, which he assumes to be between 5 and 9. This span is based on some results from psychology. Yngve finds a confirmation of his hypothesis by examining English sentences of various complexities. However, he draws some phrase structure trees in a non-standard way which is different from the usually accepted norm in generative grammars. Nevertheless, Köhler takes from Yngve’s theory the assumption that right branching structures are preferred due to memory efficiency. Then he empirically tests the hypothesis that all constituents have an increasing depth of embedding with increasing position (in the mother constituent and, separately, from the beginning of the sentence). Another function of type (10) is used to fit the data and produces D Z 0.996 (this time, y Z depth and x Z constituent position measured in running words from the beginning of the sentence). Finally, Köhler investigates the relation between position and information. His hypothesis is that the number of alternative constituent types at a given position decreases with the increasing position. The same can be said of the number of alternative grammatical functions at a given position. This hypothesis is based on the subsystem requirement minS (minimize structural information), which is a special aspect of the general requirement minM (minimize mem-

ory effort). For the empirical test, the logarithm of the number of alternative types/ functions is taken. Two sets of data are considered, one containing all constituents at sentence level, another all constituents at all levels. The data show the behavior predicted by the hypothesis, but no exact mathematical form is proposed to describe the functional dependence between the measured properties.

5.

Literature (selected)

Abreu Gomes, Christina (1999), Directionality in linguistic change and acquisition. In: Language Variation and Change 11, 213K230. Altmann, Gabriel (1983), Das Piotrowski-Gesetz und seine Verallgemeinerungen. In: Exakte Sprachwandelforschung (eds. Karl-Heinz Best/Jürgen Kohlhase). Göttingen: Herodot, 54K90. Altmann, Gabriel (1988), Wiederholungen in Texten. Bochum: Brockmeyer. Altmann, Gabriel/Burdinski, Violetta (1982), Towards a law of word repetitions in text-blocks. In: Glottometrika 4 (eds. Werner Lehfeldt/Udo Strauß). Bochum: Brockmeyer, 146K167. Altmann, Gabriel/von Buttlar, Haro/Rott, Walter/ Strauß, Udo (1983), A law of change in language. In: Historical linguistics (ed. Barron Brainerd). Bochum: Brockmeyer, 104K115. Askedal, John Ole (1997), Computing morphosyntactic differences. A typological perspective on German and Norwegian. In: Journal of Quantitative Linguistics 4, 35K44. Basili, Roberto/Marziali Alessandro/Pazienza, Maria Teresa (1994), Modelling syntactic uncertainty in lexical acquisition from texts. In: Journal of Quantitative Linguistics 1, 62K81. Behaghel, Otto (1930), Von deutscher Wortstellung. In: Zeitschrift für Detschkunde 44, 81K89. Best, Karl-Heinz (2003), Spracherwerb, Sprachwandel und Wortschatzwachstum in Texten. Zur Reichweite des Piotrowski-Gesetzes. In: Glottometrics 6, 9K34. Brown, Keith/Miller, Jim (eds.), Concise Encyclopedia of Syntactic Theories. Oxford/New York: Pergamon, 1996. Bunge, Mario (1995a), Quality, quantity, pseudoquantity and measurement in social science. In: Journal of Quantitative Linguistics 2, 1K10. Bunge, Mario (1995b), Causality and probability in linguistics. A comment on ‘Informational Measures of Causality’ by Juhan Tuldava. In: Journal of Quantitative Linguistics 2, 15K16. Cysouw, Michael (2003), Against implicational universals. In: Linguistic Typology 7, 89K101.

290

IV. Gebiete und Phänomene: Syntax / Fields and phenomena: syntax

Dik, Simon C. (1997), The Theory of Functional Grammar, Part 1: The Structure of the Main Clause. (ed. Hengeveld, Kees). Berlin: Mouton de Gruyter (2nd revised edition). Dryer, Matthew S. (2003), Significant and non-significant implicational universals. In: Linguistic Typology 7, 108K128. Ellega˚rd, Alvar (1953), The Auxiliary do: The Establishment and Regulation of Its Use in English. Stockholm: Almquist & Wiksell. Fischer, Susan (2003), Rethinking the Tobler-Mussafia law. In: Diachronica 20, 259K288. Frumkina, Revekka Markovna (1962), O zakonax raspredelenija slov i klassov slov. In: Strukturnotipologičeskie issledovanija (ed. T. N. Mološnaja). Moscow: ANSSSR, 124K133.

John Moore/Maria Polinsky). Stanford: CSLI Publications, 121K152. Hoffmann, Christiane (1999), Word order and the principle of “Early Immediate Constituents” (EIC). In: Journal of Quantitative Linguistics 6, 108K116. Hug, Marc (1998), French demonstrative particles ci and là: Linguistic intuitions and statistical facts. In: Journal of Quantitative Linguistics 5, 195K205. Köhler, Reinhard (1984), Zur Interpretation des Menzerathschen Gesetzes. In: Glottometrika 6 (eds. Joachim Boy/Reinhard Köhler). Bochum: Brockmeyer, 177K183. Köhler, Reinhard (1999), Syntactic structures: Properties and interrelations. In: Journal of Quantitative Linguistics 6, 46K57.

Furigori, Teiji/de Paiva Alves, Eduardo (1999), Disambiguation of syntactic structures using strength of association in three word dependency relations. In: Journal of Quantitative Linguistics 6, 101K107.

Köhler, Reinhard (2000), A study on the informational content of sequences of syntactic units. In: Jazyk, glagol, predloženie. K 70-letiju G. G. Sil’nitskogo (ed. Leonid A. Kuz’min). Smolensk, 51K 61.

Gieseking, Kathrin (1998), What to count and when to decide: Open issues in frequency-based models of human parsing. In: Journal of Quantitative Linguistics 5, 188K194.

Köhler, Reinhard (2001), The Distribution of Some Syntactic Constructions Types in Text Blocks. In: Quantitative Linguistics 60, Text as a Linguistic Paradigm: Levels, Constituents, Constructs. Festschrift in honour of Luděk Hřebíček (eds. Gabriel Altmann/ Reinhard Köhler/Ludmila Uhliřová/Gejza Wimmer). Trier: WVT, 136K148.

Gordesch, Johannes/Dretzke, Burkhard (1998), Correctness in language: A formal theory. In: Journal of Quantitative Linguistics 5, 13K26. Greenberg, Joseph H. (1966), Some universals of grammar with particular reference to the order of meaningful elements. In: Universals of Language (ed. Joseph H. Greenberg). Cambridge, Mass.: MIT Press, 73K113. Gries, Stefan T. (2001), A multifactorial analysis of syntactic variation: Particle movement revisited. In: Journal of Quantitative Linguistics 8, 33K 50. Hawkins, John A. (1983), Word Order Universals. New York: Academic Press. Hawkins, John A. (1990), A parsing theory of word order universals. In: Linguistic Inquiry 21, 223K261. Hawkins, John A. (1994), A Performance Theory of Order and Constituency. Cambridge: Cambridge University Press. Hawkins, John A. (1999a), Processing complexity and filler-gap dependencies across grammars. In: Language 75, 244K285. Hawkins, John A. (1999b), The relative order of prepositional phrases in English: Going beyond Manner-Place-Time. In: Language Variation and Change 11, 231K266. Hawkins, John A. (2001), Why are categories adjacent? In: Journal of Linguistics 37, 1K34. Hawkins, John A. (2003), Efficiency and complexity in grammars: Three general principles. In: The Nature of Explanation in Linguistic Theory (eds.

Köhler, Reinhard (2003a), Zur Wachstumsdynamik (Type-Token-Ratio) syntaktischer Funktionen in Texten. In: Rusistika Slavistika Lingvistika. Festschrift für Werner Lehfeldt zum 60. Geburtstag. (Die Welt der Slaven, Sammelbände Bd. 19). (eds. Sebastian Kempgen/Ulrich Schweier/Tilman Berger). München: Otto Sagner, 498K504. Köhler, Reinhard (2003b), Zur Type-Token-Ratio syntaktischer Einheiten. Eine quantitativ-korpuslinguistische Studie. In: Sprache zwischen Theorie und Technologie (eds. Lea Cyrus/Henrik Feddes/ Frank Schumacher/Petra Steiner). Wiesbaden: Deutscher Universitäts-Verlag, 93K101. Köhler, Reinhard/Altmann, Gabriel (2000), Probability distributions of syntactic units and properties. In: Journal of Quantitative Linguistics 7, 189K200. Köhler, Reinhard/Martináková-Rendeková, Zuzana (1998), A systems theoretical approach to language and music. In: Systems. New paradigms for the human sciences. (eds. Gabriel Altmann/ Walter Koch). Berlin/New York: Walter de Gruyter, 514K546. Kroch, Anthony S. (1989), Reflexes of grammar in patterns of language change. In: Language Variation and Change 1, 199K244. Kroch, Anthony S./Taylor, Ann (1997), Verb movement in Early Middle English. In: Parameters and Morphosyntactic Change (eds. Ans van Kemenade/Nigel Vincent). New York: Cambridge University Press, 297K325.

20. Syntactic units and structures Levickij, Viktor V./Romanova, T. A. (1997), Use of tenses of verbs and adverbs in the English language: A statistical study. In: Journal of Quantitative Linguistics 4, 135K138. Lohse, Barbara/ Hawkins, John A./Wasow, Thomas (2004), Domain minimization in English verb-particle constructions. In: Language 80, 238K261. McCafferty, Kevin (2004), Innovation in language contact: Be after V-ing as a future gram in Irish English, 1670 to the present. In: Diachronica 21, 113K160. McWhorter, John H. (2001), The world simplest grammars are creole grammars. In: Linguistic Typology 5, 125K166. Mithun, Marianne (1987), Is basic word order universal? In: Coherence and Grounding in Discourse. (ed. Russell S. Tomlin). Amsterdam: John Benjamins, 281K328. Newmeyer, Frederick J. (2003), Grammar is grammar and usage is usage. In: Language 79, 682K 707. Nichols, Johanna/Peterson, David A./Barnes, Jonathan (2004), Transitivizing and detransitivizing languages. In: Linguistic Typology 8, 149K211. Ogura, Mieko (1993), The development of periphrastic do in English: A case of lexical diffusion in syntax. In: Diachronica 10, 51K85. Rijkhoff, Jan/Bakker, Dik (1998), Language sampling. In: Linguistic Typology 2, 263K314. Saukkonen, Pauli (1997), Typology of Finnish word order. In: Journal of Quantitative Linguistics 4, 257K265. Těšitelová, Marie (1992), Quantitative Linguistics. Amsterdam/Philadelphia: John Benjamins. Thümmel, Wolf (1992), Bewertung von Syntaxen für die beschreibung natürlicher Sprachen. In: Glottometrika 13 (ed. Burghard Rieger). Bochum: Brockmeyer, 241K286. Tuldava, Juhan (1980), K voprosu ob analitičeskom vyraženii svjazi meždu ob“emom slovarja i ob“emom teksta. In: Lingvostatistika i kvantitativnye zakonomernosti teksta. Tartu: Učenye zapiski Tartuskogo gosudarstvennogo universiteta 549, 113K144. Tuldava, Juhan (1995a), Informational measures of causality. In: Journal of Quantitative Linguistics 2, 11K14. Tuldava, Juhan (1995b), A comment on Bunge’s ‘Causality and probability in linguistics’. In: Journal of Quantitative Linguistics 2, 17K18.

291 Tweedie, Fiona J./Frischer, Bernard D. (1999), Analysis of classical Greek and Latin compositional word-order data. In: Journal of Quantitative Linguistics 6, 85K97. Uhlířová, Ludmila (1997), Length vs. order: Word length and clause length from the perspective of word order. In: Journal of Quantitative Linguistics 4, 266K275. Vulanović, Relja (1991), On measuring grammar efficiency and redundancy. In: Linguistic Analysis 21, 201K211. Vulanović, Relja (1993), Word order and grammar efficiency. In: Theoretical Linguistics 19, 201K222. Vulanović, Relja (1995), Model-based measuring of syntactic change. In: Journal of Quantitative Linguistics 2, 67K76. Vulanović, Relja (1997), The development of negation in French: A quantitative model. In: Journal of Quantitative Linguistics 4, 276K280. Vulanović, Relja (1999), Grammar efficiency and the historical development of word order in French. In: Issues in Mathematical Linguistics (ed. Carlos Martín-Vide). Amsterdam: John Benjamins, 193K206. Vulanović, Relja (2003a), Grammar efficiency and complexity. In: Grammars 6, 127K144. Vulanović, Relja (2003b), Fitting periphrastic do in affirmative declaratives. Paper presented at Qualico 2003 (to appear in the Journal of Quantitative Linguistics). Vulanović, Relja (to appear a), The rise and fall of periphrastic do in affirmative declaratives: A grammar efficiency model. In: Journal of Quantitative Linguistics. Vulanović, Relja (to appear b), The combinatorics of cases and word order. In: Research on Language and Computation. Yang, Charles D. (2000), Internal and external forces in language change. In: Language Variation and Change 12, 231K250. Yngve, Victor H. (1960), A model and an hypothesis for language structure. In: Proceedings of the American Philosophical Society 104, 444K466. Yngve, Victor H. (1996), From Grammar to Science: New Foundations for General Linguistics. Amsterdam/Philadelphia: John Benjamins. Zipf, Georg K. (1949), Human Behavior and the Principle of Least Effort: An Introduction to Human Ecology. Cambridge, Mass.: Addison-Wesley.

Relja Vulanović, Canton (USA) Reinhard Köhler, Trier (Germany)

292

IV. Gebiete und Phänomene: Syntax / Fields and phenomena: syntax

21. Probabilistic grammar 1. 2. 3. 4.

Introduction Probabilistic context-free grammar Other types of probabilistic grammars Literature (a selection)

1.

Introduction

During the last decades numerous grammatical formalisms have been put forward in order to enable linguists to describe the varieties of syntactic phenomena found in natural language in a systematic and principled way while at the same time guaranteeing desirable formal properties like being declarative, reversible and efficiently parsable. Considering grammars as tools which make it possible to assign structural descriptions to complex natural language expressions (sentences in most cases), it seems natural to classify them by a number of simple parameters (cf. Bod 1995, 15 f.): P1 Which simple objects (like rules or trees) for building structural descriptions does the grammar propose? P2 Which composition rules are used to combine (simple) objects? P3 What kind of structural descriptions does the grammar generate? Probabilistic Grammars make it necessary to add a further parameter: P4 Which probability model is used to compute the probability of an expression or a structural description? Take context-free grammars (CFGs) as an example. The structural descriptions a CFG generates can be represented as trees with simple symbols as node labels (P3). CFGs use context-free rules, which can be viewed as local trees, i. e. trees of depth 1 (P1). In a tree a leaf can be replaced by a local tree if the label of the root of this local tree and the label of the leaf are identical (P2). We will concentrate on probabilistic context-free grammars (2) including methods for parameter estimation (2.2) and grammar induction (2.3). Short descriptions of other types of probabilistic grammars, like dependency grammars (3.1), unification grammars (3.2), and tree grammars (3.3), follow.

2.

Probabilistic context-free grammar

Probabilistic context-free grammars (PCFGs) have been a starting point for quantitative

work in syntax. The first publications examining their theoretical properties and their practical potential date back to the late sixties and the early seventies (cf. Booth 1969; Suppes 1970; Booth/Thompson 1973; Sankoff 1969; 1971). A context-free grammar (CFG) G Z ! VN, VT, S, R O consists of (a) a finite set of non-terminal symbols VN denoting grammatical and lexical categories, (b) a finite set of terminal symbols VT , (c) a distinguished start symbol S 2 VN, and (d) a finite set R of context-free rules X / α, with X 2 VN and α 2 (VN g VT)*. The language L (G) defined by G is the set of all terminal strings which can be derived in G. A derivation of a string w Z w1 ... wn (wn1 for short) is a sequence α1 . αr with: α1 Z S, αr Z wn1 , αi 2 (VN g VT)* and αj Z β1 X β2, αjC1 Z β1 γ β2 (1 % j ! r) for some X / γ 2 R. A leftmost derivation is a derivation in which in every step the leftmost non-termimal is replaced. There is a one-toone correspondence between structural descriptions and leftmost derivations. In a PCFG a probability distribution for all rules expanding the same symbol is defined, i. e. each rule r is assigned a rule probability P (r) so that c (X 2 VN) ∑ P (X / αi) Z 1

(1)

i

For a rule X / α, the rule probability denotes the probabilty that in a derivation the symbol X is replaced by α. So P (X / α) can be taken as short for P (X / α | X). For this reason rule probabilities of this kind are sometimes called top-down probabilities. Rule probabilities are used in a straightforward manner to compute derivation and string probabilities. Let r1, ... , rn be the sequence of rules used in a (leftmost) derivation α Z α1, ... , α nC1 of a string w. The probability of α is defined as the product of the rule probabilities of the rules used in the derivation, i. e. n

P (α) Z ∏ P (ri) iZ1

(2)

293

21. Probabilistic grammar

The probability of a string w is defined as the sum of the probabilities of all leftmost derivations of w. P (w) Z ∑

α2δ

P (α)

1

S

NP

VP

(3) NP

with δ as the set of all leftmost derivations of w in G. Again P (α) and P (w) are short forms for P (α K G) and P (w K G). Example (1) Let G1 be a PCFG containing the following rules. r1 r2 r3 r4

S/NP VP 1.0 NP/n 0.45 NP/det n 0.35 NP/NP PP 0.2

r5 r6 r7 r8

VP/v 0.35 VP/v NP 0.5 VP/V NP PP 0.15 PP/P NP 1.0.

NP

n

2

v

det

(a) by the lexical context of c, i. e. the words to the left and right of c (b) by the structural context of c, i. e. the constituents in τ which are no subconstituents of c, or (c) by the actual position of wil within wn1 . A PCFG G can serve as a language model if it defines a probability distribution on the set of all possible leftmost derivations and thereby on L (G):

∑

P (w) Z 1

(4)

w2L(G)

It seems natural to expect that any PCFG fulfills this condition as long as equation (1) holds. But it is well known that there are PCFGs for which this is not true. The probability distributions of these grammars are called improper. Fortunately, it has been proven that standard methods for parameter estimation as described in the following section guarantee proper probability distributions (cf. Chi/Geman 1998).

n

p

det

n

S

NP

VP

There are two leftmost derivations for a sentence w Z n v det n p det n, which yields the structural descriptions τ1and τ2: P (τ1) Z P (r1) ) P (r2) ) P (r7) ) P (r3) ) P (r8) ) P (r3) Z 1 ) 0.45 ) 0.15 ) 0.352 ) 1 Z 0.0083 P (τ2) Z P (r1) ) P (r2) ) P (r6) ) P (r4) ) P (r3) ) P (r8) ) P (r3) Z 1 ) 0.45 ) 0.5 ) 0.2 ) 0.352 ) 1 Z 0.0055 P (w) Z P (τ1) C P (τ2) Z 0.0083 C 0.0032 Z 0.0138. This example reveals some characteristic properties of PCFGs. Let τ be an arbitrary structural description of a string wn1 and c a constituent of τ which dominates wli. The probability of c is not influenced

PP

NP NP

PP NP

n

v

det

n

p

det

n

Fig. 21.1: Two parse trees, their probabilities, and the sentence probability.

2.1. Parameter estimation How are the parameters of a PCFG to be selected? It is standard practice to use maximum-likelihood estimation for determining the rule probabilities. Given a (training) corpus C the probability of a rule X / α is estimated by calculating: f (X / α, C) Pˆ (X / α) Z , f (X, C)

(5)

where f (X / α, C) (versus f (X, C)) denotes the number of times the rule X / α (versus any rule expanding the symbol X) is used while parsing C. Two cases are to be considered: If the data are fully observed, i. e. if C is a parsed corpus, the f-values can be obtained directly. Otherwise, these values are computed by the Inside-outside algorithm (cf. Baum 1972; Dempster/Laird/Rubin 1977; Baker 1979), a generalized version of the forward-backward algorithm used for training hidden Markov models. Both algorithms are instances of the estimation maximization algorithm (EM algorithm). To understand how this algorithm works it is useful to consider a naive procedure for

294

IV. Gebiete und Phänomene: Syntax / Fields and phenomena: syntax

computing the f-values: This procedure starts with a grammar G with arbitrarily chosen parameters (but still in accordance with equation (1)). Then G is used to compute for each sentence in C all parse trees derivable in G. The probabilities of the parse trees are calculated, and when counting the rules, the probabilities of the parse trees are used as weights. This last step can be repeated yielding each time a set of parameters which assign C a monotonically increasing probability, i. e. P (C K Gi) % P (C K GiC1). The inside-outside algorithm (IOA) can be considered an efficient version of this naive procedure which computes the f-values with the help of inside and outside probabilities. The IO algorithm can be formulated for arbitrary PCFGs (cf. Kupiec 1992; Charniak 1993), but to make things easier, we assume that G is in Chomsky Normal Form (i. e. G contains only rules of the form X / Y Z and X / a, with X, Y, Z 2 VN, and a 2VT). 2.1.1. Inside and outside probabilities * wki K G) that a symbol The probability P (X 0 X dominates a (sub)string of terminal symbols is called inside probability (IP) and denoted by β (X, i, k). The computation of IPs implies summation over the probabilities of all possible parse tree configurations of that string with root X. The IP of a string wn1 can be calculated by the inside algorithm, which operates bottom-up:

The probability that a constituent covering the string wki occurs within a structural description of wn1 is called outside probability (OP) and is denoted by α (X, i, k). The outside algorithm computes OPs top-down: PROCEDURE OUTSIDE (wn1 , wki, X, G) For all X 2 VN , 1 % i, j % n: α (X, i, j) :Z 0 α (S, 1, n) :Z 1 For k from n K 1 downto 1: For i from 1 to n K k: For m from i to i C k K 1: For each rule Y / Z1 Z2: α (Z1, i, m) :Z α (Z1, i, m) C α (Y, i, i C k) ! β (Z2, m C 1, i C k) ! P (Y / Z1 Z2) α (Z2, m C 1, i C k) :Z α (Z2, mC1, iCk)Cα (Y, i, iCk) ! β (Z1, i, m) ! P (Y / Z1 Z2) Return α (X, i, k). Again, the probability of a sentence can be computed efficiently by the outside algorithm for any k such that 1 % k % n: P (wn1) Z

* * w1 ...wk ...wn , X0 wk) ∑ P (S0

X2VN

Z

* w1kK1 XwnkC1) ∑ P (S0 * ! P (wk K S0 w1kK1 XwnkC1)

Z

∑ α (X, k, k) ! P (X/wk).

X2VN

(wn1,

PROCEDURE INSIDE X, G) For all Y 2 VN, 1 % i, j % n: β (Y, i, j) :Z 0. For each wi : For each rule Y / wi : β (Y, i, i) :Z P (Y / wi). For k from 1 to nK1 For i from 1 to nKk: For m from i C 1 to i C kK1: For each rule Y/Z1 Z2 : β (Y, i, i C k) :Z β (Y, i, i C k) C P (Y/Z1 Z2) ! β (Z1, i, m) ! β (Z2, m C 1, i C k). Return β (X, 1, n) Obviously, the probability of a sentence can be derived efficiently by the inside algorithm:

Now we are in a position to solve equation (5). 2.1.2. The Inside-outside algorithm Combining inside and outside probabilities, it is easy to determine the probability that given a string wn1 2 L (G) a rule was employed in the derivation of wn1 and covers a substring wki. For a lexical rule X / w we get: * * * P (S0 w1kK1 XwkC10 wn1 K S0 w1n) α (X, k, k) P (X / w) Z β (S, 1, n)

(6)

(8)

For a syntactic rule X / YZ we get: 1 * * * P (S0 wiK1 XwkC10 w1n K S0 w1n) k

Z∑ jZi

* P (wn1 ) Z P (S0 wn1 K G) Z β (S, 1, n).

(7)

X2VN

β (Y, i, j) β (Z, j, k) β (S, 1, n) !

α (X, i, k) P (X / Y Z) β (S, 1, n)

(9)

295

21. Probabilistic grammar

Let γ (X / α, i, j) denote the value computed by the two equations above. PROCEDURE INSIDE-OUTSIDE (C, G) Repeat until !terminationO: For each rule X / α: f (X / α, C) :Z 0. For each sentence w 2 C: For i from 0 to K w K K 1: For j from 1 to K w K K i: For each rule X/α: f (X/α) :Z f (X / α) Cγ (X / α, i, j) For each rule X / α: P (X / α): Z

f (X / α, C) . f (X, C)

The procedure is repeated for a predefined number of times or, which is more sensible, until the change in the parameter values falls below a specified threshold. Although the IOA is widely used, there are a number of problems, which limit its applicability: (a) The algorithm conducts basically a hillclimbing search and consequently suffers from the well-known shortcomings of this search strategy: It does not guarantee to produce the optimal solution, because it can get stuck in a local maximum or a plateau. As experiments have shown (cf. Charniak 1993, 104 f.), the strategy of running the IOA with different initial values seems not to be very successful in solving these problems. (b) The IOA is slow. As proven in (Lari/ Young 1990), its time complexity for a string of length w and a PCFG with n non-terminal symbols is O(w3n3). This makes the selection of the initial values of the grammar an important matter: Good values lead to a faster termination of the algorithm. Both problems lose impact if a bracketed corpus can be used for parameter estimation (cf. Pereira/Schabes 1992; Schabes/Roth/Osborne 1993): Phrase-boundary markers constitute a source of information which can guide the search process quite efficiently. 2.2. Inducing PCFGs Training a PCFG with the help of the IOA still leaves the burden of designing the grammar on the linguist. An algorithm which induces the complete PCFG would be handy. Grammatical inference is a vivid research topic of its

own. We will just sketch two approaches for inducing PCFGs. First, it is possible to use the IOA. Restricting the hypotheses space to grammars in CNF, it is possible to enumerate all rules which can be formulated over a fixed set of terminal and non-terminal symbols. Starting with an arbitrary probability distribution, the IOA can be applied in the usual way. Finally, all rules with probabilities lower than a predefined threshold are removed and the weights of the remaining rules are adjusted (cf. Lari/Young 1991). The other approach goes back to J. Horning (Horning 1969) and K as it heavily relies on Bayes’ rule K is called Bayesian grammar induction. The aim is to induce a grammar, which is as simple (or small) as possible while still fitting the data well. In other words, for a given corpus C, one tries to generate a grammar G with maximum a posteriori probability, i. e. ¯ K C) G Z arg max P (G ¯ G

(10)

Using Bayes’ rule we get: ¯ ) ! P (G ¯) P (C K G P (C) ¯ ) ! P (G ¯) Z arg max P (C K G

G Z arg max ¯ G

(11)

¯ G

‘P (G)’ is called the a priori probability of G and can be taken as a measure for the complexity of G. While Horning used an algorithm which enumerates all possible grammars ordered by decreasing a priori probability, an approach which proved to be infeasible for practical applications, more recent systems employ algorithms which are heuristic in spirit: Stolcke and Omohundro (Stolcke/Omohundro 1994) start with a primitive grammar for C (each sentence covered by a distinct rule) and then apply generalization operators, which merge non-terminals and introduce new rules for sequences of non-terminals (chunking). Their algorithm uses a beam search strategy which considers a number of grammars in parallel and stop when no possible action leads to an improvement. S. Chen, on the other hand, uses an incremental algorithm which starts with a small universal grammar, i. e. L (G) Z V* (Chen 1995). The final grammar is tuned in a post-pass by applying the IOA. In both systems the minimal description length principle is used to determine P (G).

296

3.

IV. Gebiete und Phänomene: Syntax / Fields and phenomena: syntax

Other types of probabilistic grammars

Inspired by the re-emergence of empirical approaches in linguistics within the last decade, probabilistic variants of numerous types of grammars have been developed. 3.1. Probabilistic Dependency Grammars In structural descriptions generated by a phrase-structure grammar (PSG) the representation of the sentence is based on a partwhole relation. In contrast, a dependency grammar (DG) models syntactic structures by using dependency relations, which can be considered as head-modifier relations. Typically, in a dependency structure the verb is taken to be the head of the sentence. As the potential to act as a modifier or head is ascribed directly to words or word classes, a DG can be considered as a lexicalized grammar. It is this feature which makes DG an attractive candidate for developing probabilistic grammars that are able to represent the way lexical context influences parsing decisions much better than PCFGs. One of the grammar formalisms that has been successfully used for corpus linguistic research is link grammar (cf. Sleator/Temperley 1993), which can be regarded as a special kind of DG. Link grammars can be trained by a modified version of the IOA (Lafferty/Sleator/ Temperley 1992), and it has been argued that they form a much better candidate for grammar induction than PCFGs (de Marcken 1995). Experiments with a system for inducing DGs are reported in (Carroll/Charniak 1992a;

NP Det

N1 N

PP NP

P a

question of

honor

a

question of

honor

mod

head head

mod

mod

Fig. 21.2: Sentence with constituent and dependency structure.

1992b). Parsing algorithms and systems for DGs have been developed by J. Eisner and M. Collins (cf. Eisner 1996; Collins 1997). 3.2. Probabilistic unification grammars Unification-based grammar formalisms, like Generalized Phrase Structure Grammar (GPSG), Lexical-Functional Grammar (LFG) and Head-Driven Phrase Structure Grammar (HPSG), use feature structures to denote grammatical and lexical categories. With the help of general principles (namely, wellformedness conditions on structural descriptions), they can handle phenomena like agreement, (partially) free word order, and non-local syntactic dependencies, which are beyond the descriptive power of simple PSGs. A feature structure is a set of attribute-value pairs (values being atomic or feature structures themselves), with each attribute occurring at most once. Although most unification grammars (UGs) contain a context-free backbone, there are problems which have to be faced when formulating a probabilistic version of a UG: (a) It is well-known that even a small number of attributes with restricted domain can result in an enormous number of different categories. This leads to a massive sparse data problem. (b) A second problem arises when feature terms in a structure express dependencies (e. g. via re-entrancies). Abney has shown that in these cases estimation methods based on (empirical) relative frequencies lead to improper distributions (cf. Brew 1995; Abney 1997). One way to avoid the first problem is to disregard a number of features while training the grammar, i. e. for parameter estimation, the grammar is reduced to a context-free core grammar (cf. Black/Lafferty/Roukos 1992; Briscoe/Carroll 1993). The second problem can be solved by using a more general sampling method (Metropolis-Hastings algorithm) as proposed by Abney. Probabilistic feature grammar, a grammar formalism formulated by Goodman (cf. Goodman 1997), avoids both problems by (a) applying standard smoothing techniques and suitable independence assumptions, and (b) conditioning the probability of a feature on a restricted number of features in its local context.

21. Probabilistic grammar

3.3. Probabilistic tree grammars Although the structural descriptions generated by the grammar formalisms we have looked at so far differed both in syntax (atomic symbols vs. feature structures) and semantics (part-whole vs. head-modifier relation), these descriptions are nevertheless built up by combining objects which can be viewed as local trees. Tree grammars, on the other hand, do not restrict the size of the basic objects they use for generating structural descriptions in this way. In a Stochastic Tree-Substitution Grammar (STSG) the rule-set (P1) consists of a finite number of trees of arbitrary complexity. These trees are combined by leftmostsubstitution (P2) to form complete structural descriptions. STSG is the grammar formalism which underlies the data-oriented parsing approach as promoted by R. Bod (cf. Bod 1993; Bod 1998). Lexicalized Tree-Adjoining Grammars (LTAGs) and Lexicalized Tree Insertion Grammars (LTIGs), which form a restricted version of LTAGs, distinguish two types of trees. Initial trees, which are rooted by S and are used in the first step of a derivation; and auxiliary trees (P1). For both types of trees, different well-formedness conditions hold. Complex trees are formed by substitution and adjunction (P2). While LTAGs are mildly context-sensitive, LTIGs are contextfree due to further restrictions on the adjunction operation and the form of auxiliary trees (cf. Schabes/Waters 1995). Both formalisms have received a probabilistic treatment (cf. Schabes 1992; Schabes/Waters 1996). The main advantage of tree grammars over conventional PSFGs lies in their ability to describe the lexical and structural factors which affect the probability of a constituent. But this descriptive power is paid for with a loss of efficiency: In a tree grammar there is no one-to-one relation between canonical derivations and structural descriptions. Since different canonical derivations might lead to the same parse, one has to consider all derivations in order to determine its probability.

4.

Literature (a selection)

Abney, Steven P. (1997), Stochastic attributevalue grammars. In: Computational Linguistics 23 (4), 597K618.

297 Baker, James (1979), Trainable grammars for speech recognition. In: Communications Papers of the 97th Meeting of the Acoustical Society of America. Cambridge, M. A. Baum, Leonard E. (1972), An inequality and associated maximization technique in statistical estimation of probabilistic functions of Markov processes. In: Inequalities. 3: 1K8. Black, Ezra/Lafferty, John/Roukos, Salim (1992), Development and evaluation of a broad-coverage probabilistic grammar of English-language computer manuals. In: Proceedings of the 30th Annual Meeting of the ACL, 185K192. Bod, Rens (1993), Data-oriented parsing as a general framework for stochastic language processing. In: Parsing Natural Language (Eds. K. Sikkel/ A. Nijholt) Twente University, Twente, Netherlands. Bod, Rens (1995), Enriching Linguistics with Statistics: Performance Models of Natural Language. PhD thesis. Universiteit van Amsterdam. Bod, Rens (1998), Beyond Grammar. Ca: CSLI Publications, Stanford. Booth, Taylor L. (1969), Probabilistic representation of formal languages. In: 10th Annual IEEE Symposium on Switching and Automata Theory, 74K81. Booth, Taylor L./Thompson, Richard A., (1973), Applying probability measures to abstract languages. In: IEEE Transactions on Computers, C22 (5), 442K50. Brew, Chris, (1995), Stochastic HPSG. In: EACL, 83K89. Briscoe, Ted/Caroll, John (1993), Generalized probabilistic LR parsing of natural language (corpora) with unification-based grammars. In: Computational Linguistics, 19 (1), 25K61. Carroll, Glenn/Charniak, Eugene (1992a), Learning probabilistic dependency grammars from labeled text. In: Intelligent Probabilistic Approaches to Natural Language. Papers from the 1992 Fall Symposium, AAAI, 25K32. Carroll, Glenn/Charniak, Eugene (1992b), Two experiments on learning probabilistics dependency grammars form corpora. In: StatisticallyBased Natural Language Programming Techniques, 1K13. AAAI. Charniak, Eugene (1993), Statistical Language Learning. MA: MIT Press, Cambridge. Chen, Stanlay F. (1995), Bayesian grammar induction for language modeling. In: Proceedings of the ACL, 228K235. Chi, Zhiyi/Geman, Stuart (1998), Estimation of probabilistic context-free grammars. In: Computational Linguistics 24 (2), 299K305. Collins, Michael J., (1997), Three generative, lexicalized models for statistical parsing. In: Proceedings of the EACL, 16K23.

298

IV. Gebiete und Phänomene: Syntax / Fields and phenomena: syntax

de Marcken, Carl (1995), On the unsupervised induction of phrase structure grammars. In: 3rd Workshop on Very Large Corpora, 1995. Dempster, Arthur P./Laird, Nan M./Rubin, Donald B. (1977), Maximum likelihood from incomplete data via the EM algorithm. In: Journal of the Royal Statistical Society. 39, 1K38. Eisner, Jason (1996), Three new probabilistic models for dependency parsing: An exploration. In: Proceedings of the ACL, 340K45. Goodman, Joshua (1997), Probabilistic feature grammar. In: Proceedings of the International Workshop on Parsing Technologies. Horning, James J. (1969), A study of grammatical inference. PhD thesis. Stanford. Kupiec, James (1992), An algorithm for estimating the parameters of unrestricted hidden stochastic context-free grammars. In: ICCL, 387K93. Lafferty, John/Sleator, Daniel/Tamperley, Dary (1992), Grammatical trigrams: A probabilistic model of link grammar. In: AAAI. Lari, Karim/Young, Steve J. (1990), The estimation of stochastic context-free grammars using the inside-outside algorithm. In: Computer Speech and Language 4, 35K56. Lari, Karim/Young, Steve J. (1991), Applications of stochastic context-free grammars using the inside-outside algorithm. In: Computer Speech and Language 5, 237K257. Pereira, Fernando/Schabes, Yves (1992), Insideoutside re-estimation from partially bracketed corpora. In: 20th meeting of the ACL, 128K35.

Sankoff, David (1969), Historical Linguistics as Stochastical Process. PhD thesis. McGill University, Montreal. Sankoff, David (1971), Branching processes with terminal types: applications to context-free grammars. In: Journal of Applied Probability 8, 233K 240. Schabes, Yves, (1992), Stochastic tree-adjoining grammars. In: DARPA Workshop, 140K45. Schabes, Yves/Roth, M./Osborne Randy (1993), Parsing the Wall Street Journal with the insideoutside algorithm. In: EACL 6, 341K47. Schabes, Yves/Waters Randy C. (1995), Tree insertion grammar: A cubic-time, parsable formalism that lexicalizes context-free grammars without changing the trees produced. In: Computational Linguistics 21 (4), 479K513. Schabes, Yves/Waters Randy C. (1996), Stochastic lexicalized tree-insertion grammar. In: Recent Advances in Parsing Technology. (Eds. H. Bunt/M. Tomita). Kluwer Academic Press, 281K294. Sleator, Daniel/Temperley, Davy (1993), Parsing English with a link grammar. In: Third International Workshop on Parsing Technologies. Stolcke, Andreas/Omohundro, Stephen (1994), Inducing probabilistic grammars by Bayesian model merging. In: Grammatical Inference and Applications. (Eds. C. Carrasco/J. Oncina). Springer, 106K118. Suppes, Patrick (1970), Probabilistic grammars for natural languages. In: Synthese 22, 95K116.

Sven Naumann, Trier (Germany)

22. Satzlänge 1. 2. 3. 4. 5. 6.

Satzlänge in der Forschung Annahmen zu einer Theorie der Verteilungen der Satzlängen Wie misst man Satz und Satzlänge? Verteilungen von Satzlängen Perspektiven Literatur (in Auswahl)

1.

Satzlänge in der Forschung

Ähnlich wie Wortlängen (vgl. Art. 19) sind auch Satzlängen bereits im 19. Jh. Gegenstand sprachstatistischer Bemühungen gewesen. Am Anfang standen anscheinend Shermans stilistische Untersuchungen zur Entwicklung der Satzlänge bei englischen Prosaautoren (Sherman 1888), wobei er eine allgemeine Tendenz zur Verkürzung der Sätze feststellte. Diese bahnbrechende Ar-

beit widmete sich außerdem der Frage, in welchem Maße damit eine Zunahme der einfachen Sätze auf Kosten der komplexen verknüpft ist, und stellt erste Erhebungen zur Variation der Satzlängen in verschiedenen Werken eines Autors an. Sherman (1888, 130) kommt zu dem Schluss: „It therefore seems clear that mathematics can be shown to sustain a certain relation to rhetoric, and may aid in determining its laws.“ Die weitere Forschung behandelt Satzlänge als Stilcharakteristikum, als Kriterium zur Klärung strittiger Autorschaft anonymer Texte sowie als Faktor der Lesbarkeit/ Textverständlichkeit. Es gibt außerdem etliche Untersuchungen, die Satzlänge im Rahmen des Menzerath-Altmannschen Gesetzes behandeln und darauf aufbauend in eine Text-

299

22. Satzlänge

theorie einbeziehen. Zu diesen Themen wird auf die entsprechenden Kapitel dieses Handbuchs verwiesen. Den Gesetzmäßigkeiten bei der Entwicklung der Satzlängen im Deutschen widmet sich Best (2002). Ein wichtiger Aspekt, der hier im Vordergrund der Darstellung stehen soll, ist ferner die Frage, ob es bestimmte Modelle gibt, denen die Verteilungen der Satzlängen entsprechen (Altmann 1988a, 148). Eine erste Lösung dieses Problems, die weithin akzeptiert wurde, ist der Vorschlag, dass Satzlängen der logarithmischen Normalverteilung gemäß in Texten vorkommen (Williams 1939, 357). Gegen diesen Vorschlag wurden zwei Argumente vorgebracht: (1) der Satzlängenmittelwert kann sich im Verlauf eines Textes erheblich ändern, und (2) werden Satzlängen keineswegs nur zufällig erzeugt, sondern unterliegen Textfaktoren, z. B. der Rücksicht auf den Hörer, stilistischen Absichten wie Simulierung unterschiedlicher Sprech- oder Schreibstile, etc. (Altmann 1988a, 150). Ein zweiter Vorschlag stammt von Sichel (1971; 1974), der Satzlängen als Variablen betrachtet, die der zusammengesetzten Poisson-Verteilung folgen. Der Vorteil dieses Vorschlags liegt darin, dass es sich um eine sehr allgemeine Verteilung handelt; sie hat aber den Nachteil, linguistisch nur schwer interpretierbar zu sein (Altmann 1988b, 58). Beide Vorschläge zeichnen sich also dadurch aus, dass sie gute Übereinstimmungen mit den empirischen Befunden ermöglichen; sie sind jedoch für linguistische Zwecke nicht hinreichend begründet und weisen erhebliche theoretische Mängel auf.

2.

Annahmen zu einer Theorie der Verteilungen der Satzlängen

Ausgangspunkt für eine Theorie der Satzlängenverteilungen sind die Überlegungen, die zunächst für Wort- und Silbenlängenverteilungen angestellt wurden. Dazu meinte schon Fucks (1956, 7): „Die Gesetze nun, die uns speziell die Theorie der Wortbildung und die der Silbenbildung darstellen, werden wir gewinnen als relativ einfache Spezialfälle wesentlich allgemeinerer Gesetze, vor denen wir vermuten dürfen, dass sie die relativen Häufigkeitsverteilungen der Bestandteile irgendeines Sprachelementes beschreiben.“ Ganz analog dazu schlägt Altmann (1988b, 63) vor, für die Satzlängenver-

teilung „den gleichen Ansatz“ wie für die Wortlängenverteilung zu verwenden, wobei ggfs. unterschiedliche Modelle zu nutzen seien, je nach dem, wie Satzlänge gemessen wird. Altmann (1988a, 151 ff.) geht von der Überlegung aus, dass der relative Unterschied der Wahrscheinlichkeiten zweier benachbarter Satzlängen x und x K 1 eine Funktion von x ist, d. h. Dx Z (Px K PxK1) / PxK1 .

(1)

Die Differenz Dx ist daher nicht immer gleich, sondern sie ändert sich mit x. Sie unterliegt dem Einfluss des Sprechers (a), des Hörers (c) und dem von Textfaktoren (b). Falls man Satzlänge nach der Zahl der indirekten Konstituenten (Wörter) bestimmt, muss auch ein weiterer Faktor (d) für die Indirektheit der Konstituenz in Betracht gezogen werden. Misst man Satzlänge nach der Zahl der direkten („clauses“) Konstituenten, so kann man ansetzen: Dx Z

b K ax ; cx

(2)

durch Einsetzen in (1) und nach Umformungen erhält man die negative Binomialverteilung, die in ihrer 1-verschobenen Form Px Z

(

)

k C x K 2 k xK1 p q , xK1 x Z 1, 2, ...

(3)

lautet (Altmann 1988a, 152K153). Misst man aber Satzlänge nach der Zahl der Wörter, so ist für die zusätzliche, zwischengeschaltete Ebene der „clauses“ mit einem Störfaktor (d) zu rechnen, woraus sich DZ

b K ax ergibt; cx C d

(4)

dieser Ansatz führt nach Einsetzen in (1) und Umformungen zur Hyperpascal-Verteilung, die in 1-verschobener Form

Px Z

( (

) )

kCxK2 xK1

mCxK2 xK1

qxK1 P1 , x Z 1, 2, ...

(5)

lautet. Dieser Ansatz stimmt weitgehend mit dem überein, der in Wimmer/Köhler/ Grotjahn u. a. (1994) und Wimmer/Altmann (1996) für Wortlängenverteilungen entwickelt wurde; der einzige Unterschied besteht

300

IV. Gebiete und Phänomene: Syntax / Fields and phenomena: syntax

darin, dass für D noch einige Möglichkeiten mehr in Betracht gezogen wurden. Man kann daher die Ansätze für Satz- und Wortlängen als einheitliche Theorie der Häufigkeitsverteilungen dieser Einheiten betrachten; an anderer Stelle (vgl. Art. 18) wird deutlich, dass diese Theorie offenbar auch für Morphlängen gilt. Es scheint sich also zu bestätigen, dass Fucks (1956) zu Recht allgemeine Gesetze für beliebige linguistische Entitäten annahm.

der Silben pro Satz (Clayman 1981; Fucks 1955, 46 f.), oder, was anscheinend noch niemand versucht hat, nach der Zahl der Morphe. Auch noch kleinere Einheiten (Laut, Buchstabe) können für Satzlänge genutzt werden (Phoneme: Clayman 1981). Diese Möglichkeiten spielen bisher aber bei den Untersuchungen, die das Ziel verfolgen, die Gesetze der Verteilungen der Einheiten in Texten aufzudecken, keine Rolle.

4. 3.

Wie misst man Satz und Satzlänge?

Die Bestimmung von „Satz“ und „Satzlänge“ kann prinzipiell auf unterschiedliche Weise erfolgen. Im Falle von „Satz“ hat sich in der Quantitativen Linguistik eine recht pragmatische Art der Definition durchgesetzt: „Satz“ wird bei schriftsprachlichen Texten gemäß orthographischen Kriterien als die Folge von Wörtern bestimmt, die durch satzabschließende Interpunktion !.O, !!O und !?O markiert wird. Es gibt einige Probleme dabei, die sich aber aller Erfahrung gemäß durch zusätzliche Konventionen ausräumen lassen. So wird man sich entscheiden müssen, ob die direkte Rede in einem komplexen Satz als eigenständiger Satz gelten soll oder nicht. Handelt es sich also bei Hans sagte: „Heute soll das Wetter schön werden“ um einen oder um zwei Sätze? Man kann dies so oder so festlegen, wenn es nicht gerade um die absoluten Werte geht. Auch andere Fälle wie Ausrufeoder Fragezeichen innerhalb von Sätzen K z. B. bei Interjektionen, Parenthesen K lassen sich durch Regeln lösen. „Satzlänge“ eröffnet dagegen etliche Möglichkeiten. Man kann ja die Länge einer Einheit nach der Zahl ihrer Konstituenten messen, wobei zu beachten ist, dass eine komplexe Einheit wie „Satz“ mehrere verschiedene direkte oder indirekte Konstituenten aufweist. In der Forschung wurde „Satzlänge“ meist nach der Zahl der Wörter bestimmt; bei chinesischen Texten bietet sich stattdessen die Zahl der Schriftzeichen pro Satz an (Jing 2001). In einigen Fällen aber wurde als Maß die Zahl der „clauses“ (Teilsätze) als Kriterium bestimmt, wobei für „clause“ das Vorkommen eines finiten Verbs nötig ist. Für verblose Sätze sind dann wiederum Sonderregelungen erforderlich. Es spricht nun nichts dagegen, Satzlänge auch ganz anders zu messen: nach der Zahl

Verteilungen von Satzlängen

Den aktuellen Stand der Theorie der Satzlängenverteilung repräsentieren die Arbeiten von Altmann (1988a), Wimmer/Köhler/ Grotjahn u. a. (1994) und Wimmer/Altmann (1996). Entsprechend seiner Überlegung, dass Satzlängen (in clauses gemessen: clause-Variante) der negativen Binomialverteilung bzw. (in Wörtern gemessen: WortVariante) der Hyperpascal-Verteilung folgen sollten, hat Altmann (1988a) beide Aspekte mit gutem Erfolg untersucht. Für die Wort-Variante fanden sich viele, vor allem altgriechische, aber auch etliche englische Texte K und ein slowakischer K analysiert in der Literatur; dabei waren die Satzlängen nach 1K5, 6K10, etc. Wörtern pro Satz zusammengefasst. Nur 9 von 244 Texten widersprachen der Hypothese, die negative Binomialverteilung stelle ein gutes Modell für Satzlängen (Wort-Variante) dar; einige weitere schieden aus anderen Gründen (Textmischung, unbekannte Zahl der Autoren) aus (Altmann 1988a, 158 f.). Für die clause-Variante wurden 10 Texte ausgewertet; für diese 10 Fälle (aus mehreren Sprachen) konnte die Hypothese, dass die Satzlängen gemäß der negativen Binomialverteilung in Texten vorkommen, bestätigt werden (Altmann 1988a, 159). Inzwischen sind einige weitere Untersuchungen zu Satzlängenverteilungen durchgeführt worden, die teilweise etwas abweichende Ergebnisse erbracht haben. 4.1. Wort-Variante In Best (2001c) wurden 25 Texte untersucht (12 literarische, 11 Pressetexte und 2 wissenschaftliche Texte). Alle Texte wurden zweifach ausgewertet: Zunächst wurden alle Satzlängen einzeln aufgelistet und danach erfolgte wie üblich zwecks „Glättung“ der Daten eine Zusammenfassung der Sätze mit 1K5, 6K10, etc. Wörtern. Mit Hilfe des Alt-

301

22. Satzlänge

mann-Fitters (1994/97) wurde gemäß den Annahmen in Altmann (1988a) an alle 50 Textdateien die 1-verschobene HyperpascalVerteilung angepasst. Die Ergebnisse sind insgesamt unakzeptabel: Bei den Textdateien ohne Zusammenfassung lässt sich die Hyperpascal-Verteilung nur in wenigen Fällen erfolgreich anwenden, bei den Dateien mit Zusammenfassung häufiger, aber auch nur in 15 von 25 Fällen. Stattdessen lässt sich die 1-verschobene negative Binomialverteilung in 23 Fällen erfolgreich anpassen; nur bei zwei literarischen Texten gelingt dies nicht. Nur unwesentlich andere Ergebnisse hat Niehaus (2001) bei weiteren 20 deutschen Texten erzielt; bei Textdateien ohne Zusammenfassung der Sätze mit 1K5, 6K10, etc. Wörtern erweist sich die Hyperpascal-Verteilung wiederum als unbrauchbar; bei Dateien mit Zusammenfassung ermöglicht sie meist akzeptable Anpassungen, die aber deutlich schlechter sind als die der negativen Binomialverteilung. Dieses Modell bewährt sich auch bei englischen (Kaßel/Livesey 2001) und weiteren 20 deutschen Pressetexten (Best 2002). Damit zeigt sich bei den 65 deutschen Texten, dass man nicht immer für die zusätzliche Ebene zwischen Einheit und indirekter Konstituente einen Störfaktor einkalkulieren muss. Diese Feststellung wird unterstützt durch entsprechende Untersuchungen zu Satzlängen im Chinesischen (Jing 2001) und Russischen (Roukk 2001); in diesen beiden Fällen stellt die 1-verschobene Hyperpoisson-Verteilung Px Z

a xK1 b(xK1) 1F1 (1; b; a)

, x Z 1, 2, ...

4.2. Clause-Variante Hierzu liegen drei Untersuchungen zum Deutschen (Niehaus 1997; Strehlow 1997; Wittek 2001) und eine einzelne Datei zum Chinesischen (Bohn 1998) vor. Gemäß den Überlegungen von Altmann (1988a) ist zu erwarten, dass in diesen Untersuchungen, die ja den Satz in Beziehung zu seiner direkten Konstituente, dem Teilsatz, sehen, die negative Binomialverteilung ein geeignetes Modell darstellen sollte. Als Ergebnis der Untersuchungen zum Deutschen ist festzustellen: Bei Niehaus (1997) bewährt sich, wie angenommen, die (positive) negative Binomialverteilung einigermaßen. Bei späteren Berechnungen hat sich jedoch gezeigt, dass mit der Hyperpoisson-Verteilung noch erheblich bessere Anpassungen durchgeführt werden können. Genau das gleiche Ergebnis lässt sich für die von Wittek (2001) und Strehlow (1997) bearbeiteten Texte geltend machen: Auch wenn teilweise andere Modelle sich bewähren, lassen sich mit der Hyperpoisson-Verteilung deutlich bessere Ergebnisse erzielen. Sie kann bei den insgesamt 245 Texten nur ein einziges Mal nicht angepasst werden. Dieses Ergebnis wird durch aktuelle Untersuchungen zur deutschen Fachsprache der Pädagogik im 19. Jh. (Yu 2002) und der Biologie im 20. Jh. (Busch 2002) voll bestätigt. Bohn (1998, 65 ff.) hat für ein chinesisches Textkorpus und für einen Einzeltext die Satzlängen in der clause-Variante untersucht und festgestellt, dass die negative Binomialverteilung für das Korpus ein gutes Modell darstellt, für den einzelnen Text jedoch nicht. Stattdessen kann an diesen Einzeltext die 1-verschobene Hyperpoisson-Verteilung mit gutem Ergebnis angepasst werden:

(6) x

ein gutes Modell dar; nur im Fall eines der insgesamt 44 Texte (je 22 für beide Sprachen) ergab sich eine nicht ganz befriedigende Anpassung. Man erhält die Hyperpoisson-Verteilung, wenn man Dx Z

a cCx

(7)

ansetzt und entsprechende Umformungen vornimmt. Es ist bemerkenswert, dass dieser Ansatz für die Hyperpoisson-Verteilung nur die sog. „Zipfschen Kräfte“ (a: Wirkung des Sprechers und c: Wirkung des Hörers; (Altmann 1988a, 152)) und keine weiteren Gestaltungsfaktoren enthält.

nx

1 2 3 4 5 6 7 8

38 89 40 13 5 0 0 1

3 a Z b Z X2 Z FG Z P Z

186 0.7206 0.3077 2.727 2 0.26

Abb. 22.1.

NPx 36.18 84.74 46.69 14.58 3.17K 0.53K 0.07K 0.04K

302

IV. Gebiete und Phänomene: Syntax / Fields and phenomena: syntax

Dabei bedeuten: a, b K Parameter der Verteilung; x K Zahl der clauses pro Satz; nx K beobachtete Zahl der Sätze der Länge x; NPx K aufgrund der 1-verschobenen Hyperpoisson-Verteilung berechnete (theoretische) Zahl der Sätze der Länge x; X2 K das Chiquadrat; FG K Freiheitsgrade; P K Überschreitungswahrscheinlichkeit des Chiquadrats. Die durch Striche markierten Satzlängen mussten zusammengefasst werden. Eine Anpassung ist zufriedenstellend, wenn P O 0.05; es handelt sich also um eine gelungene Anpassung, wie auch die folgende Graphik verdeutlicht:

lung, wie angenommen, oft ein gutes Modell darstellt; bei deutschen Texten und einem chinesischen Beispiel erweist sich jedoch die Hyperpoisson-Verteilung als das eindeutig besser geeignete Modell. Es scheint sich hier anzudeuten, dass bei Satzlängen mit ähnlichen Verhältnissen wie bei Wortlängen (vgl. Art. 19) zu rechnen ist: Es gibt für Satzlängenverteilungen in beiden Varianten nicht ein einziges Modell für alle Sprachen, sondern man muss damit rechnen, dass unterschiedliche Verteilungen in Abhängigkeit von verschiedenen Einflussfaktoren zu wählen sein werden. Unklar ist noch, wie stark der Einfluss dieser Faktoren sich bemerkbar machen wird. Die wenigen Untersuchungen, die bisher durchgeführt wurden, lassen noch keine begründeten

100 80 60

beob. theor.

40 20 0

Abb. 22.2.

4.3. Ergebnisse Die Untersuchungen haben ergeben, dass die Annahmen Altmanns (1988a, 1988b) in wesentlichen Teilen stimmen, z. T. aber auch modifiziert werden müssen: Der Faktor der zusätzlichen Textebene(n) bei Messung der Satzlänge nach der Zahl der indirekten Konstituenten erfordert nicht immer ein Modell wie die Hyperpascal-Verteilung, das auf einem komplexen Ansatz für Dx mit d als Faktor der intervenierenden Textebene beruht; es genügt in vielen Fällen, Modelle wie die negative Binomialverteilung oder die Hyperpoisson-Verteilung zu wählen, die aus einfacheren Ansätzen für Dx entwickelt werden können. Auf jeden Fall befindet man sich mit diesen drei Verteilungen jedoch innerhalb einer kleinen Familie von Modellen, wie Wimmer/Altmann (1996, 114) gezeigt haben. Bestimmt man Satzlänge nach der Zahl der direkten Konstituenten, der clauses, so zeigt sich, dass die negative Binomialvertei-

Schlüsse darüber zu, ob oder wie stark sich Sprachtyp, Sprache, die Entwicklungsphase einer Sprache oder der Stil eines Autors, einer Gattung oder Textsorte auf die Verteilungen auswirken. In einem solchen Fall kann ein Blick auf besser erforschte Bereiche hilfreich sein: So hat sich bei Wortlängen herauskristallisiert, dass die Verteilung, der die Wortlängen folgen, womöglich stärker von der einzelnen Sprache als vom Sprachtyp, dem sie angehört, bestimmt wird. Das Beispiel des Deutschen zeigt, dass der Typ der Verteilung auch unabhängig von den anderen genannten Faktoren über lange Zeit der gleiche bleiben kann. Es bleibt abzuwarten, ob ähnliches sich bei zunehmendem Wissen auch bei Satzlängen zeigen wird.

5.

Perspektiven

Aus den bisherigen Ergebnissen lassen sich die Perspektiven für die weitere Arbeit entwickeln. Die Erforschung der Verteilungen

303

22. Satzlänge

von Satzlängen in Texten hat demnach noch viele offene Fragen zu behandeln. Ein erster Aspekt ist darin zu sehen, dass noch nicht klar ist, welche Faktoren sich bei der Gestaltung der Verteilungen wie stark auswirken. Hierzu sind weitere gezielte Untersuchungen nötig. Es ist denkbar, dass Satzlängen vom Sprachtyp, von der einzelnen Sprache, von der Entwicklungsstufe, die die betreffende Sprache gerade erreicht hat, vom Autor, vom erwarteten Rezipienten sowie von Sprachstil, Fachlichkeitsgrad und womöglich noch weiteren Faktoren beeinflusst werden können. Hierbei dürften zukünftige Ergebnisse des von P. Grzybek initiierten Grazer Projekts zu Wortlängenverteilungen „Quanta“ (Grazer Projekt zur Quantitativen Textanalyse) hilfreich sein, der sich auch mit den Längenverteilungen von Sprichwörtern befasst (Grzybek 1999). Kelih/Grzybek (2004) demonstrieren, wie die Bearbeitung der Rohdaten sich auf die Wahl der Verteilungsmodelle auswirkt. Ein zweiter Aspekt ist darin zu sehen, dass Satzlänge in sehr unterschiedlichen Einheiten gemessen werden kann: Laute/ Phoneme/Buchstaben kommen als kleinste Einheiten infrage; auf der nächsten hierarchischen Ebene Silben oder Morphe; dann Wörter; ferner rhythmische Einheiten (Best 2001b) oder Satzglieder/Phrasen und schließlich clauses/Teilsätze. Hier ist u. a. der Frage nachzugehen, ob die Gesetzmäßigkeit der Verteilungen auch dann nachzuweisen ist, wenn Satzlängen in Einheiten gemessen werden, die vom Satz durch mehrere Strukturebenen getrennt sind. In den bisherigen Untersuchungen konnte nur festgestellt werden, dass der Faktor der Sprachebene sich nicht immer bemerkbar macht. Auf jeden Fall ist aber damit zu rechnen, dass Satzlängen unterschiedlichen Verteilungen folgen, wenn sie nach Einheiten verschiedener Größenordnung gemessen werden. Ein weiterer Aspekt drängt sich auf, wenn man die Verteilungen von Sätzen und anderen Einheiten in Texten betrachtet: Es könnte sich herausstellen, dass Satzlängen stärker vom Stil als von der Sprache, andere Einheiten aber stärker von der Sprache oder gar dem Sprachtyp als vom Stil beeinflusst werden. Es ist bekannt, dass Satzlängen mit anderen Sprachfaktoren interagieren; damit eröffnet sich die Perspektive, ob und wie man sie in einen größeren theoretischen Rahmen

integrieren kann. Hier wäre z. B. an die Synergetik (vgl. Art. 53) oder das MenzerathAltmannsche Gesetz (vgl. Art. 47) zu denken. Diese Liste lässt sich leicht fortsetzen: Es sind bisher nur sehr wenige Sprachen untersucht worden. Es wurde auch noch kaum damit begonnen, die Änderungen der Verteilungen über die verschiedenen Entwicklungsphasen einer Sprache hinweg zu untersuchen; das Gleiche gilt für viele andere Aspekte. Es soll genügen, darauf hinzuweisen, dass noch viele Fragen zu lösen sind, vermutlich auch solche, an die hier noch gar nicht gedacht wurde. Letztlich ist darauf hinzuweisen, dass die Verteilung von Satzlängen nur einen Spezialfall darstellt und in Zusammenhang mit den Verteilungen anderer Spracheinheiten zu sehen ist, zu denen bisher in der Regel noch weniger geforscht wurde (Best 1998; 2001a; 2003).

6.

Literatur (in Auswahl)

Altmann, Gabriel (1988a), Verteilungen der Satzlängen. In: Glottometrika 9. (Ed. Klaus-Peter Schulz). Bochum: Brockmeyer, 147K169. Altmann, Gabriel (1988b), Wiederholungen in Texten. Bochum: Brockmeyer. Altmann-Fitter (1994), Lüdenscheid: RAM-Verlag. Altmann-Fitter. Iterative Fitting of Probability Distributions (1997). Lüdenscheid: RAM-Verlag. Best, Karl-Heinz (1998), Results and Perspectives of the Göttingen Project on Quantitative Linguistics. In: Journal of Quantitative Linguistics 5, 155K162. Best, Karl-Heinz (2001a), Probability Distributions of Language Entities. In: Journal of Quantitative Linguistics 8, 1K11. Best, Karl-Heinz (2001b), Zur Verteilung rhythmischer Einheiten in deutscher Prosa. In: Best 2001, 162K166. Best, Karl-Heinz (2001c), Wie viele Wörter enthalten Sätze im Deutschen? Ein Beitrag zu den Sherman-Altmann-Gesetzen. In: Best 2001, 167K 201. Best, Karl-Heinz (Hrsg.), (2001), Häufigkeitsverteilungen in Texten. Göttingen: Peust & Gutschmidt. Best, Karl-Heinz (2002), Satzlängen im Deutschen: Verteilungen, Mittelwerte, Sprachwandel. In: Göttinger Beiträge zur Sprachwissenschaft 7, 7K31. Best, Karl-Heinz (2003), Quantitative Linguistik. Eine Annäherung. 2., überarbeitete und erweiterte Auflage. Göttingen: Peust & Gutschmidt.

304

IV. Gebiete und Phänomene: Syntax / Fields and phenomena: syntax

Bohn, Hartmut (1998), Quantitative Untersuchungen der modernen chinesischen Sprache und Schrift. Hamburg: Verlag Dr. Kovač. Busch, Andrea (2002), Zur Entwicklung der Satzlänge in deutscher Fachsprache. Staatsexamensarbeit, Göttingen. Clayman, Dee Lesser (1981), Sentence Length in Greek Hexameter Poetry. In: Hexameter Studies. (Ed. Rüdiger Grotjahn). Bochum: Brockmeyer, 107K136. Fucks, Wilhelm (1955), Mathematische Analyse von Sprachelementen, Sprachstil und Sprachen. Köln/Opladen: Westdeutscher Verlag. Fucks, Wilhelm (1956), Die mathematischen Gesetze der Bildung von Sprachelementen aus ihren Bestandteilen. In: Nachrichtentechnische Forschungsberichte 3, 7K21. Grazer Projekt zur Quantitativen Textanalyse (2002) http://www-gewi.uni-graz.at/quanta/projekt_ descr.htm Grzybek, Peter (1999), Wie lang sind slowenische Sprichwörter? In: Anzeiger für Slavische Philologie XXVII, 87K108. Jing, Zhuo (2001), Satzlängenhäufigkeiten in chinesischen Texten. In: Best 2001, 202K210. Kelih, Emmerich/Grzybek, Peter (2004), Häufigkeiten von Satzlängen: Zum Faktor der Intervallgröße als Einflussvariable (am Beispiel slowenischer Texte). In: Glottometrics 8, 23K41. Kaßel, Anja/Livesey, Eleanor (2001), Untersuchungen zur Satzlängenhäufigkeit im Englischen: Am Beispiel von Texten aus Presse und Literatur (Belletristik). In: Glottometrics 1, 27K50. Niehaus, Brigitta (1997), Untersuchung zur Satzlängenhäufigkeit im Deutschen. In: Glottometrika 16. (Hrsg. Karl-Heinz Best). Trier: Wissenschaftlicher Verlag Trier, 213K275. Niehaus, Brigitta (2001), Die Satzlängenverteilung in literarischen Prosatexten der Gegenwart. In: Text as a Linguistic Paradigm: Levels, Constitu-

ents, Constructs. Festschrift in Honour of Lude˘k Hřebíček. Ed. by Ludmila Uhlířová, Gejza Wimmer, Gabriel Altmann and Reinhard Köhler. Trier: Wissenschaftlicher Verlag Trier, 196K214. Roukk, Maria (2001), Satzlängen im Russischen. In: Best 2001, 211K218. Sherman, L. A. (1888), Some Observations upon the Sentence-Length in English Prose. In: University of Nebraska Studies I, 119K130. Sichel, H. S. (1971), On a Family of Discrete Distributions Particularly Suited to Represent LongTailed Data. In: Proceedings of the Third Symposium on Mathematical Statistics. (Ed. N. F. Laubscher). Pretoria: CSIR, 51K97. Sichel, H. S. (1974), On a Distribution Representing Sentence-Length in Prose. In: Journal of the Royal Statistical Society (A) 137, 25K34. Strehlow, Michael (1997), Satzlängen in pädagogischen Fachartikeln des 19. Jahrhunderts. Staatsexamensarbeit, Göttingen. Williams, C. B. (1939), A Note on the Statistical Analysis of Sentence-Length as a Criterion of Literary Style. In: Bio XXXXI, 356K361. Wimmer, Gejza/Altmann, Gabriel (1996), The Theory of Word Length Distribution: Some Results and Generalizations. In: Glottometrika 15. (Hrsg. Peter Schmidt). Trier: Wissenschaftlicher Verlag Trier, 112K133. Wimmer, Gejza/Köhler, Reinhard/Grotjahn, Rüdiger/Altmann, Gabriel (1994), Towards a Theory of Word Length Distribution. In: Journal of Quantitative Linguistics 1, 98K106. Wittek, Martin (2001), Zur Entwicklung der Satzlänge im gegenwärtigen Deutschen. In: Best 2001, 219K247. Yu, Xiaoli (2002), Quantitative Aspekte in pädagogischen Fachartikeln des 19. Jahrhunderts. Magisterarbeit, Göttingen.

Karl-Heinz Best, Göttingen (Deutschland)

V. Gebiete und Phänomene: Lexik / Fields and phenomena: lexicology and lexicography 23. Properties of lexical units and systems 1. 2. 3. 4. 5.

Introduction Aims Methods and models Objects of investigation Literature (a selection)

1.

Introduction

Lexicons, vocabularies, and words belong to the linguistic objects which were studied with quantitative means very early (cf. art. 1). This is partly due to the fact that those objects are among the most obvious linguistic phenomena in general, partly to the apparently indeterministic properties of lexical items and relations. Regularities observed are incomplete and stochastic, they appear rather in the form of tendencies or preferences and are characterised by fuzziness, exceptions, ambiguities and fluctuations. Therefore, quantitative lexicography also plays a significant role in the work of George K. Zipf (cf. art. 10). The lexicon of a language and the vocabulary of a text as objectives of linguistic investigation in principle comprise all properties and relations which can be ascribed to words or other lexical units (phonetic/phonological, morphological, semantic, pragmatic, stylistic etc.), i. e. characteristics of usage which can only be defined in individual, concrete contexts, as well as properties which abstract from the individual occurrences in a text, such as frequency and polysemy. Mathematical statistics is used in lexicography in the same way as in other sciences: in the first place to describe the observed stochastic phenomena and test hypotheses; statistics also has (as everywhere) a heuristic function. Other quantitative means such as functions, stochastic processes, difference and differential equations, are employed as models of relations between quantitative properties, e. g. the dependency of word length on word frequency and on the size of the phonemic system, or the interrelation between word length and polysemy, the Type-Token Ratio (TTR, cf. art. 27), the Menzerath-Altmann law (cf. art. 47) or the

logistic function (“Piotrowski’s law”, cf. art. 44), which determines the increased usage of a linguistic unit in the course of time. Semantic vagueness can be taken account of by means of fuzzy sets theory; methods of general systems theory e. g., catastrophe theory (cf. art. 31), synergetics (cf. art. 53), and chaos theory (cf. art. 48) enable us to set up models of the lexical subsystem of language as a complex, dynamical, self-organising system.

2.

Aims

Application of quantitative methods in lexicography and lexicology serves various aims: (1) Synchronous and diachronous description. The lexicon of a language cannot be described completely because it is an open system and subject to continuous changes. It cannot be captured, even not for a given moment of time, because the number of lexical elements is so large that the majority of their (indeterministic) regularities cannot be recognised without statistical methods. (2) Characterisation and comparison of texts with respect to their vocabularies. Frequency distributions and indices describe, by a few indicators, lexical inventories and can be used for stylistic, text-typological, and other purposes. (3) Unveiling tendencies. By employing statistical methods in an explorative way, unknown patterns and interrelations may be detected (as in the case of partial vowel harmony, cf. Altmann 1987). (4) Applications. Statistical properties of lexical units are used as valuable information in various practical applications, such as text indexing and retrieval, search engines, information retrieval, document management, extraction of terminology from documents or corpora, matters of disputed authorship, measurement of text comprehensibility, text dating, compilation of learning and teaching materials, as a basis for psychological tests, etc. (5) Construction and testing of hypotheses. New hypotheses can be derived deductively from known or assumed relations. After their mathematical formulation, they

306

V. Gebiete und Phänomene: Lexik / Fields and Phenomena: lexicology and lexicography

can be tested on empirical data from natural languages. (6) Concept formation. Existing categorial concepts established by qualitative linguistics are transformed by quantification or new concepts are created in order to deepen or to extend insights into the object under investigation. An example is the qualitative (categorical) concept of polysemy (expressing the fact that words may have more than one meaning), which was transformed into a new, quantitative concept of polysemy, which is defined as the number of different lexical or grammatical meanings of a given word or morpheme. This new concept turned out to be very fruitful as this property can be shown to be lawfully connected to other properties of a word, such as length, frequency, age, and dispersion or polytextuality. Examples of concepts which have been introduced as quantitative ones from the beginning (and maybe are thinkable in this way only) are inventory size, word length, frequency, age, articulatory effort and many others. (7) Theory building. The highest aim of science, viz. explanation, is possible only with the help of a theory K a system consisting of universal (i. e. valid in all languages at all times) laws (cf. Bunge 1967; Altmann 1993). Setting up a theory of the lexicon requires to find such universal laws, to connect them to each other and to link them to external instances with explanatory power (e. g. human cognition or articulatory apparatus). Such laws will necessarily contain quantitative variables and constants and/or are connected with quantities of the language-external factors (e. g. communicative efficiency, memory capacity, channel properties, sensorial differentiation capabilities etc.), or they contain a stochastic term which may be due to the method employed (e. g. measuring tolerances) or to their content in the case of stochastic laws.

3.

Methods and models

3.1. Quantification, measure, measurement The most important precondition for the use of quantitative methods is the creation of quantitative concepts which correspond to the objects of reality and their relevant properties. Quantification is a specific kind of model building (cf. Altmann/Grotjahn 1988) K with specific as to its purpose meaning the mapping of the properties of interest on a numerical system. The simplest

possible quantitative model is the measure of a given property, which must meet several requirements to make meaningful statements possible. An index is a simple model which relates two properties. Examples of lexicological indices (cf. Altmann/Lehfeldt 1973, 109 ff.) are synthetism, for which at least three different measurement procedures are possible (W/M: number of words divided by number of morphemes; W1/W: number of words consisting of one morpheme divided by number of all words; R/M: number of root morphemes divided by number of all morphemes), prefixation and suffixation with three different measures each (PW/W or SW/W, resp.: number of words with prefixes/suffixes divided by number of all words; P/M or S/M, resp.: number of prefixes/suffixes divided by number of all morphemes; P/A or S/A, resp.: number of prefixes/suffixes divided by number of all affixes), homonymy (WH/W: number of homonyms divided by number of all words), etc. One of the most famous indices is the typetoken ratio (cf. art. 27), a measure of the relative vocabulary richness of a text or author. It is the relation of the number of different words to the number of all the words of a given text. This index has a long tradition particularly in literary studies, similarly to the so-called index of liveliness V/A (number of verbs divided by number of adjectives), or V/ (VCA), where both are used for characterising texts and authors, for resolving disputed authorship, and for other stylistic purposes. Another well-known object of investigation is the ratio between parts of speech in a texts. Ohno’s law states that the proportion between the numbers of all the parts of speech keeps the same over time in the lexicon of a language, although, typically, the lexicon size grows. 3.2. Distributions A single number provides only little information on the structure and no information on the dynamics of an object. One could define an index of polysemy as the mean number of lexical ambiguities of the words of a lexicon. If, for a given language and with a dictionary being used, the measurement of this index would yield the number 2, this result could in principle reflect a situation where all the words have exactly two meanings or where there are many unambiguous words, fewer with two meanings, even fewer

307

23. Properties of lexical units and systems

with three etc., with an overall average of two. A precise answer to the question for the polysemy structure of a lexicon or dictionary is modelled with the help of a frequency or probability distribution, which gives the number or probability resp. of the words with one, two, three, etc. meanings. The simplest form of a distribution consists of a table where the occurring values of the feature of interest (e. g. the number of meanings or the length of a words) are listed together with their frequencies or probabilities. This kind of presentation suffices for many practical purposes. For scientific aims, a theoretical model in the form of a mathematical formula is needed which can be derived from a hypothesis. The most famous distribution in lexicology and lexicography is the ZipfMandelbrot law (cf. art. 30, 50) F (r) Z K / (r C B)Kγ which relates the frequency of a word with its frequency rank. Other distributions which have been investigated with respect to lexical properties are the distribution of polysemy (cf. Levitskij/Kiiko/Spolnicka 1996), homonymy, word length (cf. Best 2000), age, origin, parts of speech, word structure (cf. Altmann 2002; art. 13) and many others. 3.3. Functions Often, a model expressing the dependency of one property on another one is needed. One reason why an index such as TTR is only of limited use is the fact that the property measured is not constant but varies, in the case of TTR, with position in the text or with another quantity. Those properties whose distributions are known to us are connected to each other (like polysemy and word length) as well. In general, the index is then considered as the dependent variable, and one investigates the function assigning its values according to the values of the independent variable. This can be done in an inductive way, by searching a function that meets the observed data well enough, or in a deductive way by deriving the function from a theory or hypothesis. The latter alternative possesses a higher status with respect to the principles of philosophy of science, because this way to proceed can result in the formulation of a new language law. Let us consider an illustrative example: the function describing the dependence of polysemy on word length (cf. Altmann/Beőthy/Best

1982). Starting from the hypothesis that the meaning of a word becomes in general more and more specific with each attached affix, it is possible to conclude that polysemy decreases with increasing length (in languages with variable word length). The differential equation P#/ P Z b / L C c, (P Z polysemy, P# Z first derivative of P, i. e. the change in polysemy, L Z length, b and c constants), which expresses an inverse proportional dependence of the relative change of polysemy on length and whose solution is given by P Z a Lb e cx yields a deductively derived model, i. e. a model with explanatory power, which can be tested empirically.

4.

Objects of investigation

4.1. Synchronic studies of lexicon and vocabulary The most common and important form of statistical description as well of the lexicon of a language as of the vocabulary of a text is the frequency dictionary. It consists of an ordered list of lexemes or word forms with information on their usage, including at least the frequency of occurrence of the words. Often, their dispersion is also given, i. e. the distribution of the frequency over subcorpora, texts, genres/text types, technical languages, etc. The compilation of a frequency dictionary on the basis of an individual text is relatively unproblematic, because in this case, the frequency structure of the object under study as a whole is taken into account. When a text corpus is used as a data source two fundamental problems arise. (1) Representativity: No linguistic material of any kind can claim to be statistically representative of a language. Therefore, the task is necessarily limited to the practical choice and weight of material for the corpus. When compiling or using a frequency dictionary, one should not forget that the frequencies in a given corpus do not allow for conclusions concerning other texts, text types, authors, or even the language “as a whole”. (2) Homogeneity: With increasing corpus size, pragmatic diversity increases as well, which means increasing inhomogeneity. This should be kept in mind when the applicability of common statistical methods is consid-

308

V. Gebiete und Phänomene: Lexik / Fields and Phenomena: lexicology and lexicography

ered. For detailed information and literature on frequency dictionaries cf. art. 24. Fundamental statistical characteristics of lexicons and vocabularies are text length K or corpus size K (N), the number of different lexemes (L), and the number of different word-forms (V). From these, other characteristics can be derived, such as vocabulary richness (R Z f (V, N) or R Z f (L, N)), mean word frequency (N / V or N / L), and syntheticism (defined as the ratio between the number of word-forms and number of lexemes: V / L). The values of all these measures heavily depend on N (cf. Tuldava 1998, 48 ff. and Chitashvili/Baayen 1993). In quantitative lexicology and lexicography, not only frequency based investigations have a long tradition. Other focal points of statistical analysis of synchronous linguistic variation of (not exclusively) lexical items are Variation Linguistics (variation with respect to socio-linguistic characteristics, cf., e. g. Labov 1972, 1980) and Dialectometry (variation with respect to areal characteristics (cf. Goebl 1993; art. 37). Both concern dependencies of linguistic variables on extra-linguistic ones. Among the earliest examples of quantitative approaches to intra-linguistic problems information theoretic concepts and measures are counted, such as information, entropy, and redundancy (cf. Alekseev/Kalinin/Piotrowski 1973; Balasubrahmanyan/ Naranan 1996; art. 61). Numerous investigations are dedicated to frequency distributions of units such as phonemes, morphemes, roots, words, their combinability (phonotactics, morphotactics, lexotactics etc.), their productivity and the productivity of word-forming mechanisms, the distribution of word classes/parts of speech and other classes, the positions of units, and of polysemy, homonymy, and synonymy (cf. Altmann 2002). Since 1992, the distribution of the length of lexical (and some other) units has gained special interest (cf. Best 2001 and art. 14, 18, 19, 22). In (Altmann/Kind 1983) a semantic law was mathematically formulated, inspired by the observations described by Martin (1974), and called “Martin’s Law”. Starting from a randomly chosen word in a dictionary, a “definition chain” can be formed by iteratively looking up in the same dictionary the genus proximum given in the definition of the previous word, e. g., revolver / gun / weapon / device / object etc., yielding

words with increasing generality. Martin’s law predicts the number of words found in a dictionary on the different generality levels. Departing from this, Sambor and Hammerl (cf. art. 33) set up and tested various models of quantitative properties of definition chains and of lexeme nets. The earliest studies on functional interrelations between properties of lexical items can be found in the work of George K. Zipf (Zipf 1929; cf. art. 10), among them the relations between length and polysemy. The scope of a number of language laws lies in the lexicon K partly or completely, such as Menzerath-Altmann’s law (cf. Altmann/ Schwibbe 1989 and art. 47) and some of its consequences (the length of syllables and of morphs as function of word length, the dependency of polysemy on word length or vice versa (Köhler 1989; Uhlířová 2001; Wimmer/Altmann 2001), the dependence of synonymy on polysemy (Köhler 1990, 8 ff.; Ziegler/Altmann 2001; Rottmann 2001), compounding productivity etc), Altmann’s semantic law (cf. Altmann/Kind 1983). It was probably (Guiter 1974) who was the first to explicitly consider more than two quantitative properties of lexical units at the same time; the systematic investigation of a larger number of variables as a lexical system was introduced not earlier than with Synergetic Linguistics (cf. art. 53). 4.2. Diachronic study of lexicon and vocabulary The earliest publication on this theme is probably (Jespersen 1929), who investigated the distribution of French loan words in the English lexicon as a function of time. In the same year, G. K. Zipf published his doctoral dissertation, which dealt with changes of sounds or phonemes, using the relation y Z n / x, (y Z intensity; x Z frequency; n Z proportionality factor). Zipf’s term intensity meant approximately informativity (as opposed to expectability), which he therefore assumed to be inversely proportional to frequency. Other early approaches were concerned with the determination of the genetic proximity of languages with respect to their vocabularies by the reconstruction of ‘family trees’. Corresponding methods were proposed by Kroeber and Chrétien in 1937. Similar approaches were developed during the following decades (cf. Embleton 1986; art. 45).

309

23. Properties of lexical units and systems

Almost as famous as Zipf’s laws is Glottochronology (Swadesh 1952; 1955). With his method, Swadesh tried to calculate the amount of words which disappear from a lexicon, to predict, and to date the moment of separation of two related languages on the basis of the observed proportion of common words in their lexicons. In analogy to the well-known method of dating objects in archaeology, which uses a mathematical model of the radioactive decay of the carbon isotope 14C, Glottochronology assumes that the number N(t) (the number of words from an original list which prevail through time t) can be calculated using the formula N (t) Z N (0) e

Kηt

Here, N(0) is the number of words in the original list, and η is the decay rate. Embleton (1986) avoids some of the problems of glottochronology by also taking into account loaning as a process which results in cognates. She presents a method of tree reconstruction which is based on techniques used in biology. Following Zipf on the one hand and Swadesh on the other, Arapov and Cherc (1974) set up a model of lexical change with the aim to overcome the limitations and the untenable assumptions of glottochronology with the help of a more complex mathematical approach. For one, they do no longer assume that the lexical decay rate be constant and identical in all languages at all times. Furthermore, they avoid the arbitrariness of dividing the lexicon into a “kernel” and the rest, and a number of other serious problems. One of the crucial measures taken by Arapov and Cherc is to consider the complete lexicon instead of a small number of arbitrarily selected words, another one is to change the aspect: Instead of individual words, considerations comprise the number of words moving from a given frequency class into the next lower one. This idea yields, at the same time, a quantification of the previously qualitative concept of the loss of a word (as a change from existence to non-existence). This model made it possible to find solutions for a large number of questions concerning the historical development of a lexicon. Only two of the many results of that work can be mentioned here. According to Arapov and Cherc, the following equation holds: Fi (t) Z n eKη i t,

where Fi is the number of words which prevail in the rank class i after time t, n the size of the rank class, and η the (variable) decay rate. That formula specifies the probability of a word to be handed to a follower-up lexicon. Probability increases with age and decreases with the square root of frequency. The model allows also to differentiate lexical material according to sources (substrate K language contact K autochthonous neologism). The corresponding number of loans from a given source in the time interval (t, 0) can be calculated for class i in the following way: ni (t, 0) Z 1 K eKηiVi The distribution of the loans from a source in the time interval [t1, t2] in the lexicon as the difference of the inventories of inherited words is given by: vi (t1, t2) Z eKηi t1KeKηi t 2 where i stands for the i th frequency rank class. The concrete course of lexical change processes is explained by the “Piotrowski law” (cf. art. 44). Altmann coined this term for the approach he presented in e. g., (Beőthy/Altmann 1982; Altmann/von Buttlar, Strauss et al. 1983; Best/Beőthy/Altmann 1990) which describes and predicts the observed trend of the changes on the time axis. The history of success of a new linguistic phenomenon always begins slowly, then speeds up and finally slows down again. Formerly, several authors made assumptions about the nature of the corresponding curves. A first systematic consideration was made by Piotrovskij/Piotrovskaja (cf. Beőthy/ Altmann 1982), to whom Altmann dedicated the law. Altmann derived his mathematical form of the law starting from an interactionist approach and set up a differential equation whose solution provides appropriate models for three different types of increase dynamics (Altmann 1983). 4.3. The lexicon as a complex dynamical system A modern systems theoretical approach in the framework of Synergetic Linguistics (cf. Köhler 1986; Köhler 1990; Köhler/Altmann 1993; art. 53) models the lexicon (later also other subsystems of language) as a complex self-organising and self-regulating system. This framework enables linguists to set up models of a kind for which previously no ad-

310

V. Gebiete und Phänomene: Lexik / Fields and Phenomena: lexicology and lexicography

equate methodological K particularly mathematical K means were available. The aims of synergetic linguistics include, but are not limited to the following (1) to overcome the separation of synchronous and diachronous consideration, which formerly led to a purely static concept of system. General systems theory is able to provide means to combine the aspects of structure, function, and process; (2) to set up an explanatory model, i. e. a model beyond description enabling the construction of a first linguistic theory; (3) to overcome the atomism that is connected with the limitation to univariate probability distributions and two-dimensional functions; (4) to derive hypotheses which can be tested directly on empirical linguistic material. Explanatory instances in the lexical subsystem are the so-called system needs K extra-linguistic factors which have an influence on the system through the adaptation processes of language. One of the most fundamental needs in the area of the lexicon is the Coding Need which must be met by any semiotic system. It reflects the fact that linguistic (here: lexical) expressions for coding meanings must be provided by the system. Efficiency needs correspond to the requirement to create mechanisms for the optimisation of effort (thus, Zipf’s law can be derived from an optimising mechanism where most effort is saved if the most frequent words are the shortest ones); the need for redundancy represents the necessity of a secure coding method which works sufficiently even under noisy channel conditions (this is one of the reasons why e. g. not all possible phoneme combinations are used to build morphs and words, resulting in a language-specific phonotactic pattern), etc. It should be clear that it is not the need itself that influences the structure and variables of the system but rather self-organising processes which change the properties of the system in a way which corresponds as closely as possible to the requirements. The processes concerning the lexicon include the following (cf. Köhler 1990): Lexicalisation. This process serves the need to code meanings by introducing new lexical elements into the inventory. One of its consequences is the increase of the system variable lexicon size. K Lexical unification. This process increases polysemy and decreases synonymy in the lexicon, and it works in favour of the speaker’s need to

minimise coding effort. K Lexical diversification. It is the antagonist of lexical unification; it decreases polysemy, increases synonymy, and serves the hearer’s need to minimise decoding effort. K Lexical reduction. A process working towards the diminishing (or limiting) of lexicon size. It serves minimisation of inventories. K Specification. This process reduces polysemy and generality of word meanings, and indirectly increases word length. K Context globalisation. Increases the independence of an expression from context. Context centralisation. Makes an expression more dependent on its context. Application. This process represents the use of lexical units in text production. It is controlled by the communicative relevance of the given expressions and increases their frequency. K Shortening. As a consequence of the need to minimise production effort, all linguistic forms (syllable, morph, word) are shortened depending on their frequency and their current length. K Phonological restriction. The requirement of secure content transmission creates redundancy: The potential of combinations of phonemic elements forming strings of a given length is not exploited, therefore, the process results in increased word lengths. Starting from the postulated system requirements, differential equations can be set up, whose solutions are functions which map the interrelations between system variables and requirements. Some examples are given below (cf. Köhler 1990): LG Z CODV PLKL. Lexicon size is a function of the influence of the coding requirement (the number of contents that have to be coded lexically) and of mean polysemy PL. The quantity V is influenced by the needs for specification or despecification and variability or invariance. PH Z minDY1 minCKY2. The number of phonemes is a compromise combining the need to minimise the decoding and the coding effort (hearer’s and speaker’s needs). L Z LGA RedZ PHKP FKN. Word length is a function of lexicon size (the more words are needed the longer they have to be on the average, given a fixed number of phonemes/ tonemes), of redundancy, size of the phoneme/toneme inventory, and frequency. PL Z minCQ2 minDKQ1 LKT. Polysemy is a function consisting of a compromise between the influences of the needs for minimising the decoding and the coding effort on the one hand and word length on the other.

23. Properties of lexical units and systems

PT Z CES2 CSKS1 PLG. Polytextuality (the number of possible contexts of an expression) is given by the compromise between the influences of the context-globalising (context economy) and the context-centralising (context specificity) processes, and is a function of polysemy. F Z AppR PTK. Frequency depends on the communicative relevance of the meanings of a lexical element (represented in the model by the requirement of application) and is a function of polytextuality. SN Z CodVW PLM. Synonymy is a function of the coding requirement to the extent VW, which is determined by a compromise between the needs for flexibility or invariance of the form-meaning relation, and of polysemy. These, and further relations between system quantities possess the character of law-like hypotheses; they are tested empirically on suitable language and text data from as many as possible different languages. Since all these hypotheses contain a stochastic element, tests are conducted with statistical methods (fitting and goodness-of-fit test). The assumptions mentioned here have been tested up to now on some 50 languages; they have been corroborated without any exception.

5.

Literature (a selection)

Alekseev, Pavel M./Kalinin, V. M./Piotrowski, Rajmund G. (1973), Sprachstatistik. Aus dem Russischen von Lothar Hoffmann. München, Berlin: Fink (auch: Akademie-Verlag). Altmann, Gabriel (1983), Das Piotrowski-Gesetz und seine Verallgemeinerungen. In: Exakte Sprachwandelforschung (eds. K.-H. Best/J. Kohlhase), Göttingen: Herodot, 54K90. Altmann, Gabriel (1987), Tendenzielle Vokalharmonie. In: Glottometrika 8, 104K112. Altmann, Gabriel (1993), Science and Linguistics. In: Contributions to Quantitative Linguistics. (eds. R. Köhler/B. Rieger). Dordrecht: Kluwer 1993, 3K10. Altmann, Gabriel (2002), Einführung in die quantitative Lexikologie. Göttingen: Peust & Gutschmidt. Altmann, Gabriel/Beőthy, Erzsébeth/Best, KarlHeinz (1982), Die Bedeutungskomplexität der Wörter und das Menzerathsche Gesetz. In: Zs. F. Phonetik, Sprachwissenschaft und Kommunikationsforschung 35, 537K543. Altmann, Gabriel/Grotjahn, Rüdiger (1988), Linguistische Messverfahren. In: Sociolinguistics. So-

311 ziolinguistik. (eds. U. Ammon/N. Dittmar/K. J. Mattheier). Berlin, New York: W. de Gruyter, 1026K1039. Altmann, Gabriel/Kind, Bernhard (1983), Ein semantisches Gesetz. In: Glottometrika 5, 1K13. Altmann, Gabriel/Lehfeldt, Werner (1973), Allgemeine Sprachtypologie. München: Fink. Altmann, Gabriel/von Buttlar, H./Strauss, U./ Rott, W. (1983), A law of change in language. In: Historical Linguistics (ed. Barron Brainerd). Bochum: Brockmeyer, 104K115. Altmann, Gabriel/Schwibbe, Michael (1989), Das Menzerath’sche Gesetz in informationsverarbeitenden Systemen. Hildesheim: Olms. Altmann-Fitter (1997). Lüdenscheid: RAM-Verlag. Arapov, Michail V./Cherc, Maja M. (1974), Matematičeskie metody v istoričekoj lingvistike. (dt.: Mathematische Methoden in der historischen Linguistik. Aus dem Russischen von Reinhard Köhler und Peter Schmidt (1983). Bochum: Brockmeyer). Balasubrahmanyan, V. K./ Naranan, S. (1996), Quantitative linguistics and complex system studies. In: Journal of Quantitative Linguistics 3, 177K228. Best, Karl-Heinz (2001), Häufigkeitsverteilungen in Texten. Göttingen: Peust und Gutschmidt Verlag (Z Göttinger Linguistische Abhandlungen; 4). Best, Karl-Heinz/Beőthy, Erzsébeth/Altmann, Gabriel (1990), Ein methodischer Beitrag zum Piotrowski-Gesetz. In: Glottometrika 12, 115K124. Beőthy, Erzsébeth/Altmann, Gabriel (1982), Das Piotrowski-Gesetz und der Lehnwortschatz. In: Zeitschrift für Sprachwissenschaft 1, 171K178. Bunge, Mario (1967), Scientific Research I, II. Berlin: Springer. Chitashvili, Revaz Ja./Baayen, R. Harald (1993), Word Frequency Distibutions of Texts and Corpora as Large Number of Rare Event Distributions. In: Quantitative Text Analysis. (eds. L. Hřebíček/G. Altmann). Trier: Wissenschaftlicher Verlag Trier (Z Quantitative Linguistics; 52). Embleton, Sheila M. (1986), Statistics in Historical Linguistics. Bochum: Brockmeyer. Goebl, Hans (1993), Dialectometry: A Short Overview of the Principles and Practice of Quantitative Classification of Linguistic Atlas Data. In: Contributions to Quantitative Linguistics. (eds. R. Köhler/B. Rieger). Dordrecht: Kluwer 1993, 277K 315. Guiter, Henri (1974), Les relations fréquence K longueur K sens des mots (langues romanes et anglais). In: XIV Congresso Internazionale di linguistica e filologia romanza. Napoli, 15K20. Jespersen, Otto (1929), Growth and structure of the English Language. New York.

312

V. Gebiete und Phänomene: Lexik / Fields and Phenomena: lexicology and lexicography

Köhler, Reinhard (1986), Zur linguistischen Synergetik. Struktur und Dynamik der Lexik. Bochum: Brockmeyer (Z Quantitative Linguistics; 31). Köhler, Reinhard (1989), Linguistische Analyseebenen, Hierarchisierung und Erklärung im Modell der sprachlichen Selbstregulation. In: Glottometrika 11 (ed. Luděk Hřebíček). Bochum: Brockmeyer, 1K18. Köhler, Reinhard (1990), Elemente der synergetischen Linguistik. In: Glottometrika 12 (ed. Rolf Hammerl). Bochum: Brockmeyer, 179K187. Köhler, Reinhard/Altmann, Gabriel (1993), Begriffsdynamik und Lexikonstruktur. In: Theorie und Praxis des Lexikons. (eds. F. Beckmann/G. Heyer). Berlin, New York: de Gruyter 1993, 173K 190. Labov, William (1972), Sociolinguistic Patterns. Philadelphia: University of Pennsylvania Press. Labov, William (ed.) (1980), Locating Language in Time and Space. New York: Academic Press. Levitskij, Viktor V./Kiiko, J. J./Spolnicka, S. V. (1996), Quantitative analysis of verb polysemy in modern German. In: Journal of Quantitative Linguistics 3, 132K135. Martin, Robert (1974), Syntaxe de la définition lexicographique: étude quantitative des définissants dans le «Dictionnaire fondamental de la langue française». In: Statistique et linguistique. (eds. Jean David/Robert Martin). Paris: Klinksieck, 61K71. Rapoport, Anatol (1982), Zipf’s Law Re-visited. In: Studies on Zipf’s Law (eds. Henri Guiter/Michael V. Arapov). Bochum: Brockmeyer 1982, 1K28. Rottmann, Otto (2001), On the “Second Law of Synonymy”: Observations in Russian, Bulgarian, Polish and Ukrainian. In: Lexicographica ’99 (eds.

Slavomír Ondrejovič/M. Považan), Bratislava: Veda, 237K250. Swadesh, Morris (1952), Lexico-statistic dating of prehistoric ethnic contacts. With special reference to North American Indians and Eskimos. In: Proceedings of the American Philosophical Society 96, 452K463. Swadesh, Morris (1955), Towards greater accuracy in lexicostatistic dating. In: International Journal of American Linguistics 21, 121K137. Tuldava, Juhan (1998), Probleme und Methoden der quantitativ-systemischen Lexikologie. Trier: Wissenschaftlicher Verlag Trier (Z Quantitative Linguistics; 59). Uhlířová, Ludmila (2001), Kolik je v čestině synonym? (K dynamické stabilitě v systému lexikálních synonym). In: Lexicographica ’99 (eds. Slavomír Ondrejovič/M. Považan), Bratislava: Veda, 237K250. Wimmer, Gejza/Altmann, Gabriel (2001), Two hypotheses on synonymy. In: Lexicographica ’99 (eds. Slavomír Ondrejovič/M. Považan), Bratislava: Veda, 218K225. Ziegler, Arne/Altmann, Gabriel (2001), Beziehung zwischen Synonymie und Polysemie. In: Lexicographica ’99 (eds. Slavomír Ondrejovič/M. Považan), Bratislava: Veda, 226K229. Zipf, George K. (1929), Relative frequency as a determinant of phonetic change. (Z Harvard Studies in Classical Philology; 40). Zipf, George K. (1949), Human Behaviour and the Principle of Least Effort. Reading, Mass.: Addison-Wesley. Zipf, George K. (21968), The Psycho-Biology of Language. An introduction to Dynamic Philology. Cambride, Mass.: M.I.T. Press.

Reinhard Köhler, Trier (Germany)

24. Frequency dictionaries 1. 2. 3. 4. 5. 6.

Definition Classification Compiling of a frequency dictionary Application Tendencies and prospects Literature (a selection)

1.

Definition

The frequency dictionary is a dictionary of a special kind. Its main feature consists in its capacity to provide information on the frequency of words, i. e. one can judge how often they occur. The dictionary entries may

be organized either in the regressive order of their frequencies, starting with the most frequent one, or in the alphabetic order. Often the dictionary may consist of two lists: the alphabetic and frequency ones. It is imperative that in either of them a frequency is ascribed to each dictionary word. Many frequency dictionaries are published only partially; then the boundary between the parts published and unpublished is determined by a certain frequency. Almost all the frequency dictionaries, known to the author, are of the latter type, i. e. they are incomplete. Moreover, rather often they are pub-

24. Frequency dictionaries

lished in the form of short lists of the most frequent words. Then, as far as the unpublished words are concerned, the number of words with this or that frequency is indicated. Unfortunately this important general rule is not always followed. The source of information about words and their frequencies is the text. This is to say that only those words, which occur in a certain text or a sampling corps of texts, enter the frequency dictionary. There has been, however, a case when such quasi-texts as dictionary definitions from a regular defining dictionary have been used as the text (Karaulov 1980). Sometimes the source of numerical data on the word occurrence is provided by words-responses to thematic words-stimuli, received from questioning of informants (Gougenheim/Michéa/Rivanc et al. 1956), as well as from interviews on prepared topics (Dahl 1979). A certain problem of informational (in a broad sense) character is created by the absence of uniformity in the names of frequency dictionaries. Though a kind of standard seems to have been arrived at, namely frequency dictionary, Häufigkeitswörterbuch, Frequenzwörterbuch, dictionnaire de fréquence, there are other names as well, e. g. frequency word book, word count, Rangwörterbuch. When one comes across such elements in the name of the dictionary as elementary (elememtarnyj), basic (bazovyj) or fundamental (fundamental’nyj) one manages to find out whether the dictionary is a frequency one only after a personal acquaintance with it. The situation becomes especially problematic when the corresponding reference, for instance from a library catalogue, does not contain sufficient information about such a dictionary. For the reasons, not quite understandable to a western reader, frequency dictionaries issued in the former USSR might miss the term dictionary in their names because only few publishers enjoyed the privilege of printing dictionaries. That is why such names as Study materials (Učebnye materialy) or Methodological recommendations (Metodičeskie rekomendacii) were a customary camouflage.

2.

Classification

More than five hundred frequency dictionaries, familiar to the author, for seven dozens languages may be classified on different

313 bases and by different characteristics. Such characteristics primarily include: language; sublanguage, style, idiolect; input unit; the volume of the sampling or of the text used for compiling the dictionary; the number of different units found in the sampling; their number published in the dictionary; the form of indicating frequencies and sufficiency of information about them; the structure of the dictionary and of the entry; compiling techniques; the main aim and addressee of the dictionary. 2.1. Language To be found among the languages supplied with frequency dictionaries are: Accadian, Ancient Armenian, Ancient Greek, Ancient Russian, Ancient Turkic, Arabic, Armenian, Armenian-Polovian, Bashkir, Basque, Bengali, Bulgarian, Buryat, Byelorussian, Canary (a dialect of Spanish), Catalan, Chinese, Croatian, Czech, Dacian-Roman, Danish, Dutch, English, Estonian, Finnish, French, Georgian, German, Gothic, Gudjarati, Hebrew, Hindu, Hungarian, Icelandic, Indonesian, Italian, Japanese, Kara-Kalpak, Kazakh, Kirghiz, Korean, Latin, Lettish, Lithuanian, Makassarese, Malay, Marathi, Moldavian, Norwegian, Papua, Persian, Polish, Portuguese, Pushtu, Rumanian, Russian, Slovak, Spanish, Sundanese, Swedish, Tagalog, Tajik, Turkish, Turkmen, Ukranian, Urdu, Uzbek, Vietnamese, Yiddish. Most numerous among frequency dictionaries are dictionaries of English (30 % of titles), Russian (15 %), German and French (7 % each), Latin (4 %) Polish and Japanese (3 % each). It was quite natural to count among frequency dictionaries those complete concordances, indices and dictionaries of writers’ language, which contain information about all occurrences of this or that word in the given text (texts) and besides indicate their frequencies. Especially noticeable among frequency dictionaries is the proportion of indices to Latin texts. 2.2. Sublanguage, style, idiolect, text A most general categorization inside the list of frequency dictionaries may be achieved by taking into account the form of the language they represent K a written or an oral one. Among the former one can single out general language and sublanguage dictionaries. General languages tend to represent the language on the whole (Kaeding 1897K 1898; Saukkonen/Haipus/Niemikorpi et al.

314

V. Gebiete und Phänomene: Lexik / Fields and Phenomena: lexicology and lexicography

1979; Častotnyj slovar’ russkogo jazyka 1977; Thorndike/Lorge 1944; Kučera/Francis 1967). Among sublanguage dictionaries one can single out frequency dictionaries of fiction, scientific and technological texts, newspaper and magazine texts, historical literary monuments, epistles, children’s speech. Frequency dictionaries of fiction are subdivided according to its genres: prose (Častotnyj slovnyk sučasnoï ukrains’koï chudožn’oï prozy 1981; Mažėjka/Suprun 1976; Kurcz 1974a, 1974b, 1976, 1977, 1990), poetry (Mažėjka/Suprun 1992). Fiction may be represented by frequency dictionaries based on mixed sampling (Centre de Recherche pour un Trésor de la Langue Française, Nancy 1971), on all texts of a single author (Materialy k častotnomu slovarju jazyka Puškina 1963; Častotnyj slovar’ jazyka M. Ju. Lermontova 1981) and on the material of a single text (Genkel’ 1974; Častotnyj slovar’ avtobiografičeskoj trilogii M. Gor’kogo 1996; Villup 1978; Hanley 1951). Scientific and technical frequency dictionaries are divided into general scientific or general technical (Phal 1971; Častotnyj slovar’ obščenaučnoj leksiki 1970; Denisov/ Morkovkin/Saf’jan 1978) and branch-oriented ones (Častotnyj slovar’ indeksirovanija 1974; Gašpariková 1976). Samplings from newspaper or magazine texts either enter the dictionary sampling corps (Thorndike/Lorge 1944; Kučera/Francis 1967; Juilland/Edwards/Juilland 1965), or serve as a basis for frequency dictionaries of the newspaper (Allén 1970K1971; Pisarek 1972) or of the social and political journalism (Častotnyj slovar’ latyšskogo jazyka 1969; Mažėjka/Suprun 1979; Lewicki/Masłowski/Sambor 1975). Frequency dictionaries of historical literary monuments include dictionaries of religious texts (Institut für Neutestamentliche Textforschung/Rechenzentrum der Universität Münster 1980; Ruhani 1987K1990; Alekseev 1997). Besides frequency dictionaries proper (Dietze 1984), this group may also include dictionaries combining qualities of a frequency dictionary and those of an index (Slovoukazatel’ 1973). 2.3. Input unit In an ordinary dictionary entries are always lexemes and irregular word-forms or word combinations (in a phraseological dictionary). Besides these, frequency dictionaries can also register other linguistic units K word forms, morphemes (Allén 1970K1971;

Ljung 1974), graphemes (Dewey 1923), sounds (French/Carter/Koenig 1930), grapheme combinations (Mayzner/Tresselt/Wolin 1965), syllables (Bektaev 1973), flexions (Diederich 1938), syntactic constructions (Thorndike 1927), sentences (Eliseeva 1969). There exist frequency dictionaries of anthroponyms (Chajdarov 1986) and even of the language of gestures (Csonka/Mistrík/ Ubár 1986). Relatively numerous are also terminological frequency dictionaries (Častotnyj anglo-russkij fizičeskij slovar’-minimum 1996). 2.4. Volume of the text sampling The total length of texts, the volume of sampling is a crucial characteristic of a frequency dictionary, as the statistical reliability of a dictionary is primarily determined by the volume of the material analyzed in the process of its creation. The volume of sampling is made up by all the cases of occurrences of textual units, registered by the compiler and, hence, equals the sum total of frequencies of frequency dictionary entries. In a majority of cases current frequency dictionaries differ from each other in volumes of samplings. From this point of view dictionaries based on tens of thousands of occurrences are naturally opposed to dictionaries based on millions of occurrences. The latter are not numerous amounting to about thirty, one third of them having the base of two million or more occurrences (Centre de Recherche pour un Trésor de la Langue Française, Nancy 1971; Thorndike/Lorge 1944; Breland/Jenkins 1997; Kaeding 1897K1898; Rinsland 1945; Horn 1926; Carroll/Davies/ Richman 1971; Lorge/Thorndike 1938; Thorndike 1921; Kazarjan 1982). The volume of a sampling is conditioned by financial and physical opportunities of the compiler. (Recently on the background of computerization an important part is constituted by purely technical possibilities). Being aware of reliability dependence on the size of the sampling, he nevertheless has to limit the latter in such a way as to do the job within an acceptable period of time. Processing of extensive textual corps is practicable by teams only, and organizing such teams is not an easy task. 2.5. Volume of the dictionary The compiler of a frequency dictionary is usually apt to publish either the entire list of textually registered units or a part of it

24. Frequency dictionaries

represented by units with high occurrence rate. Accordingly, a frequency dictionary is published in a full or partial volume. Frequency dictionaries complete in the given sense are by far less numerous than partial (incomplete) ones. A frequency dictionary (its manuscript, card index, etc.) contains very many low-frequency units; units with a single occurrence registered may occupy up to one half of all the dictionary entries. However, the frequency dictionary as a rule attracts the user’s attention by its upper, high-frequency zone. That is why it’s up to the author to decide on the volume of the glossary to be published, depending on aims he pursues or on the opportunities the publisher opens to him. Thus, a broad majority of frequency dictionaries are incomplete. It should also be reminded that issue of any dictionaries is commercially reasonable only in case of mass and renewable circulation. Frequency dictionaries, especially those based on large sampling are published on donations and the mass user is not yet used to them. This the reason why both the compiler and the publisher aim at publishing frequency dictionaries with a small glossary volume, i. e. minimums, in order to reduce spending on preparation and printing of such dictionaries. That is why frequency dictionaries compiled on large samplings are not readily available in every library, let alone book-shops. One can judge about quantities of various vocabulary entries contained in the samplings relying on the following figures: a sampling from English texts amounting to 1 million occurrences has yielded 50,000 word-forms; a sampling of 5 million occurrences has provided 85,000 word-forms, homographs taken into account without their distinction (Kučera/Francis 1967; Carroll/Davies/Richman 1971). A million-strong sampling from Russian texts comprised 40,000 different words (Častotnyj slovar’ russkogo jazyka 1977). Another sampling, from French fiction of the 19thK20th centuries containing 71 million word occurrences amounted to 71,000 different word forms (Centre de Recherche pour un Trésor de la Langue Française, Nancy 1971). A frequency dictionary of a Swedish newspaper based on a sampling of 1 million word-occurrences includes 103,000 word-forms without distinguishing between homographs, 112,000 with the latter condition observed, and 71,000 lexemes (Allén 1970K1971). In a

315 sampling of 500,000 word-occurrences from Ukrainian fiction 86,000 word-forms and 33,000 lexemes have been registered (Častotnyj slovnyk sučasnoï ukraïns’koi chudožn’oï prozy 1981). 2.6. Quantitative characteristics of input dictionary units Numerical characteristics of the frequency dictionary entries may be either obligatory or optional. Almost all frequency dictionaries contain the absolute frequency as the main and minimally sufficient indicator of occurrence. It is also a universal quantitative characteristic. Its values ascribed to the input units together with the indicated sampling volume, yield the necessary and sufficient impression of reliability of the dictionary data (the larger the sampling the more certain are the frequencies) and of the representative capacity of the textual corpus used, with regard to language or sublanguage. The absolute frequency can undergo some additional calculations to obtain other, derivative characteristics, the reverse procedure being difficult. Some frequency dictionaries contain relative frequencies instead of absolute ones, obtained dividing absolute frequencies by the sampling volume (cf. a series of branch-oriented frequency minimums compiled by L. Hoffman’s team, e. g. the first of them Fachwortschatz Physik (Hoffmann 1970); see also the criticism in Alekseev 1998). Sometimes the compiler is apprehensive of the sampling imperfection, due to which one and the same word’s frequency appears to be unevenly spread over various parts of the text corpus as well as over subsamplings. This unavoidable phenomenon can be obviated by finding out a certain corrective coefficient. To calculate it one can use, for instance, a ratio of the number of samplings, in which a particular word occurs, to the total number of subsamplings (Kissen 1972) or the square root of the former number (Horn 1926). The frequency, multiplied by such a coefficient, yields its corrected value which is exactly the one indicated to the given word in a frequency dictionary. The dictionary words are hence ranged recessively by those corrected (not actual) frequencies. More sophisticated statistical procedures may also be offered, which include calculation of the normalized variation coefficient (Juilland/Edwards/Juilland 1965; Allén 1970K1971) to join it to the actual frequency for obtaining a com-

316

V. Gebiete und Phänomene: Lexik / Fields and Phenomena: lexicology and lexicography

bined measurement of occurrence. A statistical procedure which is still more complicated envisages calculation of the standard frequency index on the basis of the lognormal word frequency distribution over the text (Carrol/Davies/Richmann 1971). To be seen in all this, is a desire smooth over the conflict between frequency and probability. The latter being a hypothetical, ideal and unobservable value is not exactly definable, in principle. Assessable is only a certain interval in which it may be concluded (Kralík 1997) with an infinite extension of the sampling in conditions analogous to those in which the given dictionary has been compiled. Compilers of many frequency dictionaries, besides indicating a certain frequency, supply each word with a figure reflecting the number of minimal textual samplings (Šteinfel’dt 1963) or larger subsamplings (Kučera/ Francis 1967). At least one dictionary, besides absolute frequencies contains also relative frequencies, numbers of subsamplings and minimal textual stretches, mean frequencies and a measure of the mean frequency deviation (Častotnyj slovnyk sučasnoï ukrains’koï chudožn’oï prozy 1981). Sometimes the number of subsamplings as a range indicator is considered to be the principal numerical characterictic, and the absolute frequency is treated as a subsidiary one (Charakoz 1971; Brown/Shane 1951; Cheydleur 1929; cf. range as the only word indicator in: 2380 slov, naibolee upotrebitel’nych v russkoj razgovornoj reči 1968). One more characteristic ascribable to a frequency dictionary entry is traditionally considered to be derived from frequency, namely the rank. The rank is an ordinal number of a word in the word-list, ordered in conformity with diminishing frequencies, starting with the highest one. Within such a list, the rank is placed to the left of the word; its frequency is indicated to the right of it. It is these two minimally sufficient indicators of the word occurrence, that make the dictionary a frequency list. When at certain level of diminishing frequencies there appears more than word with equal frequencies, they are ascribed a rank interval. If the compiler doesn’t number the words, but the frequencies proper, then the list doesn’t end at a sum total of all the words having the last rank, but at a sum of frequencies which are naturally much less numerous than dictionary words. Thus, the frequency rank is not

directly linked to the frequency dictionary as a list of words, but rather as a list of frequencies. 2.7. Structure of the dictionary and of the dictionary entry In this way, the frequency and the rank constitute the main numerical characteristics of the word as a frequency dictionary unit, which forms the nucleus of the dictionary entry. Additional characteristics, primarily the range, as well as other values derived from the absolute frequency, when combined with this denominator may only serve as addenda to the content of the entry. The alphabetic sections of some frequency dictionaries, e. g. those belonging to the Romance and Polish series, as well as the Ukrainian and Swedish dictionaries (see above, 2.2.), i. e. the dictionaries of words rather than word forms, accompany each frequency-ascribed entry by case and other forms of the given word, also supplied with frequency indications. Other dictionaries place below the key entry some word-combinations, formed with the participation of the given word or word-forms (Anglo-russkij častotnyj slovar’-minimum dlja čtenija gazetnych tekstov 1997). In the frequency section of the dictionary proper, words and word-forms are naturally represented by separate lists. 2.8. Technique of compiling of the dictionary A most general categorization of frequency dictionaries is also effected on basis of the fact whether they have been compiled with or without a computer. Over the past few years the number of computer-compiled dictionaries has been rapidly increasing, especially in case of team-work. However, the ratio of hand-made frequency dictionaries is still considerable, especially when moderately large samplings are used up to a few hundred thousand occurrences (see, for instance Častotnyj anglo-russkij slovar’-minimum gazetnoj leksiki 1984). In one particular case data of several branch-oriented frequency dictionaries, compiled by hand on the basis of a sum total of samplings amounting to 1 million occurrences have been united within a single generalized dictionary (Častotnyj anglo-russkij fizičeskij slovar’-minimum 1996). Well-known frequency dictionaries (Kučera/Francis 1967; Allén 1970K1971; Carroll/Davies/Richman

317

24. Frequency dictionaries

1970) and the polish series are all computer-compiled or, more exactly, in a computerized way. Within several past decades, practically all full concordances and indices, which are close to frequency dictionaries, have been compiled with the help of computers (Delatte 1981; Gaston 1973; Institut für Neutestamentliche Textforschung/ Rechenzentrum der Universität Münster 1980; Brunet 1988; Colin/Rutten 1993; Polnaja simfonija na kanoničeskie knigi Svjaščennogo Pisanija 1996; Spevack 1968K1969; cf. also Grinbaum 1996 which contains reference to a corpus of texts being collected at the Department of mathematical linguistics of St. Petersburg University). 2.9. The aim and the addressee One of the first frequency dictionaries, if not actually the very first one, namely a dictionary of Chinese logograms (Gamble 1861), was compiled for an optimum construction of type-setting machines in print-houses (Harkin 1957). One of the largest frequency dictionaries (Kaedig 1897K1898) was made on the material of German texts in order to improve the system of short-hand. Many of the first frequency dictionaries were aimed at improvement of language teaching (Eldridge 1911; Cheydleur 1929; Keniston 1929; Vander Beke 1929; Hauch 1931). This tendency remains visible throughout the second half of the 20th century (Štejnfel’dt 1963; Častotnyj slovar’ obščenaučnoj leksiki 1970; Gašpariková 1976; Častotnyj slovar’ obščenaučnoj leksiski nemeckogo jazyka 1983; Gjurova/Vlaseva/Darčeva 1983; Velinova/ Petrova/Bogdanova 1983; Dyrcheeva 1992). Somewhat fewer frequency dictionaries are devised to serve broader linguistic, linguostylistical and linguostatistical aims (Juiland/ Edwards/Juilland 1965; Kučera/Francis 1967; Allén 1970K1971; Bortolini/Tagliavini/Zampolli 1972; Ludeen 1974; Saukkonen/Haipus/ Niemikorpi et al. 1979). There are some frequency dictionaries for technical (French/ Carter/Koenig 1930), technical-informational (American Chemical Society 1967; Častotnyj slovar’ indeksirovanija 1974), linguopsychological (Howes 1966; Dahl 1979), military (Kolguškin 1970) purposes. Some frequency dictionaries were compiled to meet demands of defectology (Knowles 1904; Csonka/Mistrík/Ubár 1986). Frequency dictionaries of children’s speech (Cook/O’Shea 1914; Rinsland 1945; Beier/Starkweather/ Miller 1967; Wepman/Hass 1969; Lukić

1983; Zugólkowa/Bułczyńska 1987), reflecting, in particular, development dynamics in the speech of the child make it possible to arrive at conclusions, equally important for linguists, psychologists and teachers. The making of the frequency dictionary is often just a starting stage of a detailed structural study of the text representing language or sublanguage. Its primary aim consisting, let’s say, in improving language teaching methods, as a matter of fact makes the dictionary a multi-purpose entity, and vice versa, any frequency dictionary can be used for teaching purposes. New tendencies, cropping up in the computer age provide an opportunity to create a body of texts (Francis 1979) for extracting of various linguistic and other information. The first product of machine processing of such bodies are exactly frequency dictionaries (Kučera/Francis 1967; Carroll/Davies/Richman 1970; Centre de Recherche pour un Trésor de la Langue Française, Nancy 1971; Johansson/Hofland 1989). Multi-purpose frequency dictionaries produced by the Statistics of Speech team are based on standard-size samplings and generally accepted methodological principles and techniques yield, among others, a material for typological studies of languages and functional styles, and, it goes without saying, for linguodidactic and informationtechnological applications: in information search, machine translation and text compression (Čižakovskij/Bektaev 1986; Sadčikova 1992, as well as bibliography in Alekseev 1984).

3.

Compiling of a frequency dictionary

3.1. The scheme of abstraction from the text Compiling of a frequency dictionary is a rather challenging task, for if one is not aware of its possibilities and limitations, its data could have been taken for granted, uncritically, solely out of respect for linguistic statistics, which is not always understandable to an average reader. Some people are apt to consider statistics to be such a powerful tool as to produce the desired result all by itself. However statistics like some automaton is only capable of sorting out what has been put into this automaton. The sequence of information extraction from the text, its generalization in the process of crea-

318

V. Gebiete und Phänomene: Lexik / Fields and Phenomena: lexicology and lexicography

tion of a frequency dictionary and a primary processing of its data can be visualized as follows. (a) Material, the object of study (M): an unordered set of texts. Information media (IM): an unordered set of language units. Procedure (P): study of textual fluxes, consultations with experts, etc. Result (R): schemes of ordered body of texts (b) M: a parent population of texts. IM: occurrence of language units in the parent population of texts. P: a selection of texts into the sampled textual body. R: a textual sampling. (c) M: a textual sampling. M: occurrence of language units in the textual sampling. P: analysis, ascription of characteristics. R: frequency inventory, a glossary of language units. (d) M: a frequency dictionary. IM: input units of the frequency dictionary with their frequencies attached. P: tabulation of the data. R: tables of distribution series. (e) M: tables of distribution series. IM: frequencies and other quantitative data. P: choice of scale, tracing of distribution graphs. R: distribution graphs. (f) M: distribution tables and graphs. IM: series of quantitative data, the type and form of the graphs. P: choice of formulae. R: analytical representation of distributions. (g) M: analytical representations of distributions. IM: distribution parameters. P: comparison of empirical and theoretical, smoothing distribution parameters. R: measure of proximity/divergence between empirical and theoretical distributions. Dictionary creation proper embraces points (a), (b) and (c), while points (d), (e), (f) and (g) describe actions at the frequency dictionary data; they are given here for the sake of completeness. 3.2. Determining the parent population In determining the parent population of texts one should make it absolutely clear for oneself and relate to the user what objects the compiler is going to describe with the help of his dictionary qualitatively, from the point of view of content, i. e. he is to decide whether it is going to be lexicon (or another level) of standard language, or language of

fiction, prose, poetry, scientific literature, colloquial speech, etc. If a general-purpose dictionary is planned, for example, one has to decide whether it is going to be a normative dictionary or it will register the actual usage in written and/or oral form. In the former case the parent population will consist of texts by renowned authors, and chronological frames may not be rigidly delineated. A frequency dictionary registering the usage of linguistic units in texts by authors of different levels of skill might serve a broader range of tasks. In this case the limits and structure of the parent population should be determined from the point of view of different information sources: the circulation of editions, the study of demand in book-shops and libraries, etc., in order that personal estimates be corrected by collective ones. Generally speaking, dreams about a certain full frequency dictionary, which could have registered the whole lexicon or the larger part of it, and moreover, could have determined probabilities of words in the language, appear to be unrealizable (Revzin 1962). Two principally different approaches are possible to the determination of the quantitative structure of the parent population: proportionate and disproportionate representation of its fields. The former solution will unavoidably be arbitrary inasmuch as no linguistic populations are actually segmented into equal parts. The latter solution will also be essentially arbitrary as in real practice it can’t be realized in a strictly correct way. For instance, how can one theoretically ground segmenting the parent population in such proportions: 25 % newspapers, 25 % radio broadcasts, and 50 % fiction? However, most of frequency dictionaries are based on this approach. 3.3. Formation of the sampling body The structure of a textual sampling must follow the structure of the parent population. This means that no matter how highly the frequency dictionary pretends to be an objective reflection of language or a sublanguage, its data may be to a certain degree reliable only relative to the general population whose content and structure are analogous to those of the sampled population, that is of the sampled body of texts. The statistical reliability of the frequency dictionary is determined by both the content of the sampling and its volume. Despite a natural desire to support sufficiency of such a vol-

24. Frequency dictionaries

ume with various complicated statistical calculations and estimates, the following general rule holds true: the larger the sampling the more reliable the results of observations. However, with equal samplings, texts of limited content yield more reliable information, what appears to be natural: a broader choice of situations requires a sufficient representation in the text body, and this entails the necessity of a larger sampling. A more detailed discussion of issues touched upon in 3.2. and 3.3. see in Francis (1979); Alekseev (1984; 1999). 3.4. Determining the registry unit The demand of structural correspondence of the sampled body to the parent population also presupposes an obligatory identity of linguistic units of these two entities and the registry units. If, for instance, the object of observation and the basic unit of the future frequency dictionary is constituted by the word, then there is no linguostatistical sense in measuring of the sampling by pages or typographical signs. When word combinations are meant, the sampling should be determined by word combinations as well, and the expression of its volume in words is only supplementary. The understanding of a textual word as a stretch from interval to interval does not only provide for a formalization of the text length, but also for identification of the word form, if the latter is to be understood in the same terms. One is challenged, however, to define his point of view on the problem of analytical forms and strings, present in the text continuously (as is the case with the German language), or with a hyphen and apostrophe (as in English), or with an apostrophe (as in French). Therefore a necessity arises to solve two main problems here. First, what should be taken for the entry unit of the frequency dictionary: a word form or a word? Second, what should be registered in the text: a word form, or obviating this stage, a word in its initial, dictionary form? 3.5. Text analysis (fragmentation) The choice implied by the solution of these problems is made directly in the course of the text analysis (writing out of all the occurrences). No problems occur in the course of machine compilation of the frequency dictionary in its simplest form, when the entry units are represented exactly as they are given in the text. Somewhat more compli-

319 cated variant is used in manual analysis, if the entry word is to be accompanied with grammar references, or at most, with semantic ones too. The machine compilation requires efficient lemmatization programs, which are still far from being perfect. The manual analysis usually finishes by compiling of a card catalog, which initially is arranged in the alphabetical order, and afterwards in the receding frequency order. Correspondingly, two lists are made up: the alphabetical, or more exactly, the alphabetical-frequency list and the frequency one. These lists are, as a matter of fact, a ready frequency dictionary. 3.6. Tabulating of the data Tables made, when the frequency dictionary is ready to published and used, do not only facilitate consideration of its data and enable the user to get a general idea of its quantitative structure. Those tables are also necessary for determining of the exact volume of the sampling analyzed (written out). Such tables allow for the procedure of linguostatistical processing of the frequency dictionary data. These are first and foremost, tables of rank and spectral distributions (Tuldava 1987, 42K47). For specimens of such tables, see Kučera/Francis (1967); they contain information sufficient for the above-mentioned purposes. 3.7. Dictionary efficiency estimate The frequency dictionary efficiency estimate may be obtained by following special criteria, which are to be found in mathematical statistics for various applications. Such estimates might be termed theoretical as far as they based on fundamental notions of a chance event probability of a true statement about such an event. A priori results do not always coincide with those obtained a posteriori. Therefore more realistic are the estimates obtained from comparison of several random samplings from the parent population. Such a comparison might be termed an empirical frequency dictionary efficiency estimate. The ideal case might be manifested by an analysis of several frequency dictionaries made on the basis of qualitatively and quantitatively identical samplings. Yet this method is not very attractive because of its difficulty. That is why a more accessible approach envisages a comparison of dictionary data with texts, smaller in volume than the sampling body. If the control sampling is

320

V. Gebiete und Phänomene: Lexik / Fields and Phenomena: lexicology and lexicography

large enough it is advisable to unite it with the main one (Howes 1966). A simpler variant consists in comparison of the dictionary with large texts, chosen at random. Then, naturally, the greater qualitative discrepancies between the control sampling and the main one, the lower the efficiency of the dictionary. Efficiency of different frequency zones of the dictionary may also be estimated: e. g. of the first, second thousand words, etc. (Štejnfel’dt 1963, 73K86).

4.

Application

4.1. General-purpose application A general applicability of frequency dictionaries is linked to the demand of solving of a great number of problems which boil down to three basic problems. First, one has to single out the most probable and informationsaturated (in a statistical sense) lexical zones of language or a sublanguage (by which we mean a language subsystem used in this or that functional sphere and form of language). Second, it is necessary to determine the statistical stereotype in the structure of a linguistic object (language, sublanguage, text). Third, frequency dictionaries are used to describe deviations from this stereotype as a kind of pathology and to make typological conclusions on this basis. Thus, the general application and aim of the frequency dictionary consists in elaboration of a probability-statistical model of the lexical (or other) organization in a complex, systemic linguistic object, namely, language (sublanguage, style, idiolect). These aims are determined by applications of frequency dictionaries to more particular cases, and, in their turn, determine these applications. 4.2. Linguistic application proper Frequency dictionary data may also be used and actually are used in research in the field of linguistic theory, speech and speech activity, lexicography (especially for teaching purposes; see 4.4. below), lexicology, text attribution (at a juncture of linguistics and literary studies), text linguistics, stylistics (functional and individual) and style metrics, linguistic typology, linguistic synergetics, linguistic geography and dialectology, language diachrony. 4.3. Linguistic-statistical application Linguistic-statistical application of frequency dictionaries is determined by the

very essence of them, as it has been demonstrated above (4.1.). Analysis of these data is associated with construction procedures of more particular statistical models, parent population prognosis, as well as comparison of observation data with theoretically expected results. Essentially, linguostatistics proper began from compiling of frequency dictionaries, having achieved impressive results by now. 4.4. Didactic application Didactic applications include primarily optimization of language teaching in unfavourable conditions (when language milieu is absent). Here the leading part belongs to the choice of language material. It has been demonstrated that practically all selection criteria are statistically based. Creation of basic vocabularies and dictionary minimums enters the sphere of class-room statistical lexicography, an important part of it being formed by bilingual, multilingual and semantic frequency dictionaries (the two latter types are still underrepresented). Frequency dictionaries may also be used in defectology (teaching of the blind and deaf-mute) and general pedagogy, as well as in the studies of initial and developmental stages of children speech. A comparatively new sphere of linguodidactic applications of frequency dictionaries is a computerized foreign language teaching. 4.5. Informational and technological application The domain of information-technological applications of frequency dictionaries embraces their use in engineering linguistics. The computer here is not only a means of obtaining of linguistic data, but their user, too. Moreover, probability-statistical modeling of lexicon and other language levels by means of frequency dictionaries per se is an inseparable part of engineering linguistics. The latter is engaged in theory and practice of a reproductive language modeling. It presupposes an obligatory verification of the models offered by theoretical and applied linguistics, whereas its major aim consists in a computer-based solution of linguistic problems. The frequency dictionary, hereby, is the foundation of the computer informational base. The engineering-linguistic approach, envisaging a machine-level solution of linguistic problems, is applied for the purposes of language teaching optimization. In-

321

24. Frequency dictionaries

formation-technological applications of frequency dictionaries as they are, include their usage for linguistic support of machine translation systems (first and foremost, in elaboration of automatic dictionaries), information search, folding and compression of textual information, and generally, for automatic processing of the text. Computer-sustained compilation of frequency dictionaries, in its turn, enters the field of engineering-linguistic problems. 4.6. Other applications More particular and more concrete possibilities of frequency dictionaries are constituted by their applications in sociology, psychology and psycholinguistics, cultural studies, medicine (psychiatry), criminology, certain military situations, cryptography and deciphering, theory and practice of communication, theory and practice of translation, professional and social dialectology. For more detail of applications considered in 4., see, for instance, (Zipf 1949; Moles 1967; Herdan 1966; Carroll/Davies/Richman 1971; Frumkina 1971; Guiter/Arapov 1982; Piotrowskij 1988; Bektaev 1978; Köhler 1986).

5.

Tendencies and prospects

Within the first century of sensible statistical lexicography such tendencies have been clearly delineated as inclusion of an increasing number of languages and sublanguages, an aspiration for larger samplings, a transfer from the general to the particular, from hand-made to computer-made dictionaries, from dictionaries for few users to dictionaries for many users. Three types of problems appear to be very significant for further development of statistical lexicography. The first type is represented by the problems involved in creation of data banks based on frequency dictionaries and subsequent informational servicing. The corresponding information system must provide sufficient data on the frequency dictionaries: language, sublanguage, sampling volumes, input units and their arrangement, techniques, time and place of creation, the author. These are information problems. The second type is constituted by the problems of large-volume textual bodies for increasingly large number of languages and

sublanguages, as well as for efficient scanning of texts, written down in types of various quality and in symbols of different scriptures. Here also belong the problems of oral-into-written text transformation and complete automatic lemmatization. These are technical problems. Last, the third, theoretical group of problems is associated with elaboration of the theory of frequency dictionaries, linguistic sampling and linguistic distributions.

6.

Literature (a selection)

Alekseev, P. M. (1984), Statistische Lexikographie. Zur Typologie, Erstellung und Anwendung von Frequenzwörterbüchern. Lehrbuch. Übersetzung von W. Lehfeldt. Bochum: Brockmeyer. Alekseev, P. M. (1997), Častotnyj slovar’ Četveroevangelija. In: Žanry reči. Saratov: Kolledž, 205K211. Alekseev, P. M. (1998), Serijnye učebnye častotnye slovari. In: Strukturnaja i prikladnaja lingvistika 5. Sankt-Peterburg: Sankt-Peterburgskij universitet, 140K151. Alekseev, P. M. (1999), Statistika slov v biblejskich tekstach (Častotnyj slovar’ Novogo Zaveta). In: Tverskoj lingvističeskij meridian 2. Tver’: Tverskoj gosudarstvennyj universitet 3K14. Allén, S. (1970K1971), Nusvensk frekvensordbok baserad på tidningstext. Stockholm: Almqvist & Wiksell. American Chemical Society. Chemical Abstracts Service (1967), Chemical titles word frequency list (s.l.). Anglo-russkij častotnyj slovar’-minimum dlja čtenija gazetnych tekstov (1997), Avtory-sostaviteli P. M. Alekseev et al. Sankt-Peterburg: Sankt-Peterburgskij universitet. Beier, E./Starkweather, J. A./Miller, D. E. (1967), Analysis of word frequencies in spoken language of children. In: Language and Speech 10, 217K 227. Bektaev, K. B. (1973), Alfavitno-častotnyj slovar’ slogov kazachskogo jazyka. In: Statistika kazachskogo teksta I. Trudy gruppy “Statistiko-lingvisticeskoe issledovanie i avtomatizacija” III. AlmaAta: “Nauka”, 566K611. Bektaev, K. B. (1978), Statistiko-informacionnaja tipologija tjurkskogo teksta. Alma-Ata: Nauka. Bortolini, U./Tagliavini, C./Zampolli, A. (1972), Lessico di frequenza della lingua italiana contemporanea. Milano: Gazzanti. Breland, H. M./Jenkins, L. (1997), English word frequency statistics: analysis of a selected corpus of 14 million tokens. New York: College Entrance Examination Board.

322

V. Gebiete und Phänomene: Lexik / Fields and Phenomena: lexicology and lexicography

Brown, C. B./Shane, M. L. (1951), Brazilian Portuguese idiom list. New York: Vanderbilt University Press.

Čižakovskij, V. A./Bektaev, K. B. (1986), Statistica reči 1957K1985. Bibliografičeskij ukazatel’. Kišinev: Štiinca.

Brunet, E. (1988), Le vocabulaire de Victor Hugo. Genève: Slatkine.

Dahl, H. (1979), Word frequencies of spoken American English. Essex: Verbatim; Detroit: Gale Research Co.

Carroll, J. B./Davies, P./Richman, B. (1971), The American Heritage word frequency book. New York: American Heritage Publications; Boston: Houghton Mifflin. Centre de Recherche pour un Trésor de la Langue Française, Nancy (1971), Dictionnaire des fréquences. Vocabulaire littéraire des XIXe et XXe siècles. II. Table des fréquences décroissantes. Paris: Didier. Chajdarov, Š. (1986), Častotnyj slovar’ antroponimov Aštskogo rajona. Dušanbe: “Doniš”. Charakoz, P. I. (1971), Častotnyj slovar’ sovremennogo russkogo jazyka. Frunze: “Merktep”. Cheydleur, F. D. (1929), French idiom list based on a running count of 1,183,000 words. New York: Macmillan. Colin, B./Rutten, C. (1993), Aristote, categoriae: index verborum, listes de fréquence. Liège: Université de Liège. Cook, W. A./O’Shea, M. V. (1914), The child and his spelling. Indianapolis: Bobbs-Merrill Co. Csonka, S./Mistrík, J./Ubár, L. (1986), Frekvenčny slovník posunkovej reči. Bratislava: Slovenské pedagogické nakl. Častotnyj anglo-russkij fizičeskij slovar’-minimum (1996), Avtory-sostaviteli P. M. Alekseev et al. Sankt-Peterburg: Sankt-Peterburgskij universitet. Častotnyj anglo-russkij slovar’-minimum gazetnoj leksiki (1984). Sostaviteli P. M. Alekseev/L. A. Turygina. Moskva: Voenizdat. Častotnyj slovar’ avtobiografičeskoj trilogii M. Gor’kogo (1996). Avtor-sostavitel’ P. M. Alekseev. Sankt-Peterburg: Sankt-Peterburgskij universitet. Častotnyj slovar’ indeksirovanija (1974). Perm’: Permskij gosudarstvennyj universitet. Častotnyj slovar’ jazyka M. Ju. Lermontova (1981). In: Lermontovskaja ėnciklopedija. Moskva: Sovetskaja ėnciklopedija, 714K774. Častotnyj slovar’ latyšskogo jazyka (1966K1976). Sostaviteli T. A. Jakubaitis et al. V 1K4. Riga: Zinatne. Častotnyj slovar’ obščenaučnoj leksiki (1970). Sostaviteli M. I. Zykina et al. Moskva: Moskovskij gosudarstvennyj universitet. Častotnyj slovar’ obščenaučnoj leksiki nemeckogo jazyka (1983). Sostaviteli M. M. Alekseeva et al. Moskva: Nauka. Častotnyj slovar’ russkogo jazyka. Okolo 40,000 slov (1977). Moskva: Russkij jazyk. Častotnyj slovnyk sučasnoï ukrains’koï chudožn’oï prozy (1981). V 1K2. Kyiv: Naukova dumka.

Delatte, L. (1981), Dictionnaire fréquentiel et index inverse de la langue latine. Liège: Travaux du L.A.S.L.A. Denisov, P. N./Morkovkin, V. V./Saf’jan, J. A. (1978), Kompleksnyj častotnyj slovar’ russkoj naučnoj i techničeskoj leksiki. 3047 slov. Moskva: Russkij jazyk. Dewey, G. (1923), Relative frequency of English speech sounds. Cambridge: Harvard University Press. Diederich, P. B. (1938), The frequencies of Latin words and their endings. Chicago: University of Chicago Press. Dietze, Joachim (1984), Frequenzwörterbuch zur jüngeren Redaktion der ersten Novgoroder Chronik. München: O. Sagner. Dyrcheeva, G. A. (1992), Ispol’zovanie častotnogo slovaja dlja optimizacii prepodavanija burjatskogo jazyka. Ulan-Udė: Burjatskij naučnyj centr RAN. Eldridge, R. C. (1911), Six thousand common English words; their comparative frequency and what can be done with them. Buffalo: The Clement Press. Eliseeva, L. A. (1969), Statističeskij analiz korotkich predloženij v anglijskom literaturnom dialoge. In: Učenye zapiski KGPI 64(2). Kalinin: Kalininskij gosudarstvennyj pedagogičeskij institut, 170K211. Francis, W. N. (1979), Problems of assembling and computerizing large corpora. In: Empirische Textwissenschaft,. Aufbau und Auswertung von TextCorpora. (Hrsg. H. Bergenholtz/B. Schaeder). Königstein: Scriptor, 110K123. French, N. R./Carter, C. W./Koenig, W. (1930), Words and sounds of telephone conversations. In: The Bell System technical journal IX (2), 290K 324. Frumkina, R. M. (1971), Verojatnost’ ėlementov teksta I rečevoe povedenie. Moskva: Nauka. Gamble, W. (1861), Two lists of selected characters containing all in the Bible and twenty-seven other books. Shanghai. Gaston, L. (1973), Horae synopticae electronicae. Word statistics of the Synoptic Gospels. Missoula: Society of Biblical Literature. Gašpariková, Š. (1976), Rusky frekvenčny slovník pre ekonómov. Bratislava: Vysoka škola ekonomicka. Genkel’ , M. A. (1974), Častotnyj slovar’ romana D. N. Mamina-Sibirjaka “Privalovskie milliony”. Perm’: Permskij gosudarstvennyj universitet.

24. Frequency dictionaries Gjurova, M./Vlaseva, K./Darčeva, I. (1983), Učeben čestotem rečnik po biologija. Sofija: Institut za čuždestranni studenti. Gougenheim, G./Michéa, R./Rivanc, P./Sauvageot, A. (1956), L’elaboration du française élémentaire. Paris: Didier. Grinbaum, O. N. (1996), Komp’juternye aspekty stilemetrii. In: Prikladnoe jazykoznanie. Učebnik. (Hrsg. A. S. Gerd). Sankt-Peterburg: Sankt-Peterburgskij universitet, 451K465. Guiter, H./Arapov, M. V. (Hrsg.), Studies on Zipf’s Law. Bochum: Brockmeyer, 1982. Hanley, M. L. (1951), Word index to James Joyce’s “Ulysses”. Madison: University of Wisconsin Press. Harkin, D. (1957), The history of word counts. In: Babel 3 (3), 113K124. Hauch, E. F. (1931), A German idiom list selected on the basis of frequency and range of occurrence. New York: Macmillan. Herdan, G. (1966), The advanced theory of language as choice and chance. Berlin u. a.: Springer. Hoffmann, L. (Hrsg.), Fachwortschatz Physik. Häufigkeitswörterbuch russisch-englisch-französisch. Leipzig: Enzyklopädie, 1970. Horn, E. (1926), A basic writing vocabulary. Iowa City: University of Iowa. Howes, D. (1966), A word count of spoken English. In: Journal of verbal learning and verbal behaviour 5 (6), 572K606. Institut für Neutestamentliche Textforschung/Rechenzentrum der Universität Münster (Hrsg.), Computer-Konkordanz zum Novum Testamentum Graece. Berlin/New York: Walter de Gruyter, 1980. Johansson, S./Hofland, K. (1989), Frequency analysis of English vocabulary and grammar: based on the LOB corpus. V. 1K2. Oxford/New York: Oxford University Press. Juilland, A./Edwards, P. N. H./Juilland, I. (1965), Frequency dictionary of Rumanian words. The Hague: Mouton. Kaeding, F. W. (1897K1898), Häufigkeitswörterbuch der deutschen Sprache. Berlin: Selbstverlag des Herausgebers. Karaulov, J. N. (1980), Častotnyj slovar’ semantičeskich množitelej. Moskva: Nauka. Kazarjan, B. K. (1982), Častotnyj slovar’ sovremennogo armjanskogo jazyka. Okolo 36,200 slov. Erevan: Akademija nauk Armjanskoj SSR. Keniston, H. (1929), Spanish idiom list. New York: Macmillan. Kissen, I. A. (1972), Slovar’ naibolee upotrebitel’nych slov sovremennogo uzbekskogo literaturnogo jazyka. Vysokočastotnaja leksika pod’ jazyka chudožestvennoj prozy. Posobie dlja učitelej uzbekskogo jazyka. Taškent: Ukituvči.

323 Knowles, J. Rev. (1904), The London point system of reading for blind. London. Kolguškin, A. N. (1970), Lingvistika v voennom dele. Moskva: Voenizdat. Köhler, R. (1986), Zur linguistischen Synergetik: Struktur und Dynamik der Lexik. Bochum: Brockmeyer. Kralík, J. (1997), A short comment on probability in quantitative linguistics. In: Journal of quantitative linguistics 4 (1K3), 126K130. Kučera, H./Francis, W. N. (1967), Computational analysis of present-day American English. Providence: Brown University Press. Kurcz, I. (1974a), Słownictwo współczesnego jezyka polskiego. Listy frekwencyjne. I. Teksty popularnonaukowe. Warszawa: PAN. Kurcz, I. (1974b), Słownictwo współczesnego jezyka polskiego. Listy frekwecyjne. II. Drobne wiadomošci prasowe. Warszawa: PAN. Kurcz, I. (1976), Słownictwo współczesnego jezyka polskiego. Listy frekwencyjne. IV. Proza artystyczna. Warszawa: PAN. Kurcz, I. (1977), Słownictwo współczesnego jezyka polskiego. Listy frekwencyjne. V. Dramat artystyczny. Warszawa: PAN. Kurcz, I. (1990), Słownik frekwencyjny polszczyzny współczesnej. V 1K2. Kraków: PAN. Lewicki, A./Masłowski, W./Sambor, J. (1975), Słownictwo współczesnego jezyka polskiego. Listy frekwencyjne. III. Publicyctyka. Warszawa: PAN. Ljung, M. (1974), A frequency dictionary of English morphemes. Stockholm: AWE. Lorge, I./Thorndike, E. L. (1938), A semantic count of English words. New York: Colimbia university. Ludeen, D. M. (1974), Statistical dictionary of the Pashto language. Kabul: Pashto Academy. Lukić, V. (1983), Dečji frekvencijski rečnik. Beograd: Prosveta. Materialy k častotnomu slovarju jazyka Puškina (prospekt) (1963). Moskva: Institut jazykoznanija AN SSSR. Mayzner, M. S./Tresselt, M. E./Wolin, B. R. (1965), Tables of tetragram frequency counts for various word-length and letter-position combinations. In: Psychonomic monograph supplements 1 (4), 79K 143 (s.l.). Mažėjka, N. S./Suprun, A. J. (1976), Častotny slou˘nik belaruskaj movy. Mastackaja proza. Minsk: Belaruski dzjaržau˘ny universitėt. Mažėjka, N. S./Suprun, A. J. (1979), Častotny slou˘nik belaruskaj movy. Publicystyka. Minsk: Belaruski dzjaržau˘ny universitėt. Mažėjka, N. S./Suprun, A. J. (1992), Častotny slou˘nik belaruskaja movy. Paėzija. Minsk: Universitėtskae. Moles, A. A. (1967), Sociodynamique de la culture. Paris: Mouton.

324

V. Gebiete und Phänomene: Lexik / Fields and Phenomena: lexicology and lexicography

Phal, A. (1971), Vocabulaire général d’orientation scientifique (V.G.O.S.). Part du lexique commun dans l’expression scientifique. 1K2. Paris: CREDIF. Piotrowskij, R. G. (1988), Kompjuterizacija prepodavanija jazykov. Učebnoe posobie po speckursu. Leningrad: Leningradskij gosudarstvennyj pedagogičeskij institut. Pisarek, W. (1972), Frekwencja wyrazów w pracie. Wiadomości K komentarze K reportaże. Kraków: Osrodek Badań Prasoznawczyh RSW “Prasa”. Polnaja simfonija na kanoničeskie knigi Svjaščennogo Pisanija (1996). Sankt-Peterburg: Christianskoe obščestvo “Biblija dlja vsech”. Revzin, I. I. (1962), Soveščanie v g. Gor’kom, posvjaščennoe primeneniju matematičeskich metodov k izučeniju jazyka chudožestvennoj literatury. In: Strukturno-tipologičeskie issledovanija. Moskva: Nauka, 285K293. Rinsland, H. D. (1945), A basic writing vocabulary of elementary school children. New York: Macmillan. Ruhani, M. (1987K1990), A statistical dictionary of Quranic words. Mashad: Mussasah-i Chap va Intisharat-i-Astan-i Quds-i Razavi. Sadčikova, P. V. (1992), Statistika reči 1986K1991. Bibliografičeskij ukazatel’. Sankt-Peterburg/Čimkent: JužKazCNTI. Saukkonen, P./Haipus, M./Niemikorpi, A./Sulkala, H. (1979), Suomen kielen taajuussanasto. Porvoo u. a.: WSOY. Slovoukazatel’ (1973). In: Naziratel’. Moskva: Nauka, 515K710. Spevack, M. (1968K1969), A complete and systematic concordance to the works of Shakespeare. V 1K2. Hildesheim: Olms. Štejnfel’dt, Ė. A. (1963), Častotnyj slovar’ sovremennogo russkogo literaturnogo jazyka. 2500 naibolee upotrebitel’nych slov. Posobie dlja prepodavatelej russkogo jazyka. Tallin: NII pedagogiki ĖSSR.

Thorndike, E. L. (1921), The teacher’s word book. New York: Columbia University. Thorndike, E. L. (1927), An inventory of English constructions with measure of their importance. In: Teachers College Record 28 (February 1927). New York: Columbia University, 580K610. Thorndike, E. L./Lorge, I. (1944), The teacher’s word book of 30,000 words. New York: Columbia University. Tuldava, J. (1987), Problemy I metody kvantitativno-sistemnogo issladovanija leksiki. Tallin: Valgus. Učebnye materialy po russkoj nekodificirovannoj reči (leksika bytovych pisem). Častotnyj minimum (1981). Sostaviteli P. M. Alekseev/A. S. Grivor’eva. Leningrad: Leningradskij gosudarstvennyj pedagogičeskij institut. Vander Beke, G. (1929), French word book. New York: Macmillan. Velinova, I./Petrova, S./Bogdanova, P. (1983). Učeben čestoten rečnik po matematika. Sofija: Institut za čuždestranni studenti. Villup, A. (1978), Častotnyj slovar’ 1-go toma romana A. Ch. Tammsaare “Pravda i spravedlivost’” (avtorskaja reč’ i reč’ personažej). In: Učenye zapiski TGU 446. Tartu: Tartuskij gosudarstvennyj universitet, 5K106. Wepman, J./Hass, W. (1969), A spoken word count (children K ages 5, 6 and 7). Chicago: Language Research Associates. Zgólkowa, H./Bułczyńska, K. (1987), Słownictwo dzieci w wieku przedsˆzkolnym. Listy frekwecyjne. Poznań: Uniwersitet im. A. Mickiewicza. Zipf, G. K. (1949), Human behavior and the principle of least effort. Cambridge: Addison-Wesley. 2380 slov, naibolee upotrebitel’nych v russkoj razgovornoj reči (1968). Moskva: Universitet družby narodov.

Pavel M. Alekseev, Sankt-Petersburg (Russia)

VI. Gebiete und Phänomene: Text / Fields and phenomena: text 25. Eigenschaften der textuellen Einheiten und Systeme 1. 2.

5. 6. 7. 8. 9.

Einleitung Quantitative Textlinguistik und Systemtheorie Zum Begriff der statistischen Textorganisation Zur Methodik der quantitativen Textlinguistik Textgesetze im Überblick Ausgesuchte Fragestellungen Anwendungen Ausblick Literatur (in Auswahl)

1.

Einleitung

3. 4.

Nach Max Bense gliedert sich die mathematische Textlinguistik in drei Bereiche, die sich mit der algebraischen, topologischen und statistischen Beschreibung der Materialität von Texten (verstanden als Entitäten mit sprachlicher, semiotischer Eigenwelt, jedoch ohne semantische, metasemiotische Außenwelt) beschäftigen: die Textalgebra, die Texttopologie und die Textstatistik (vgl. Bense 1998). Während Textalgebra und Texttopologie auf dem Begriff der Verknüpfung bzw. der Nachbarschaft (Distanz) beruhen, ist es der Begriff der Häufigkeit (bzw. Verteilung), der im Mittelpunkt textstatistischer Untersuchungen steht (vgl. Fucks 1968; Fischer 1970; Fischer 1975). Vor diesem Hintergrund entwickelt die quantitative Linguistik eine empirische Textwissenschaft, die sich der Erforschung quantitativer, dynamischer Eigenschaften von Organisation und Struktur natürlichsprachlicher Texte widmet (vgl. Altmann 1988a). In diesem Sinne kann, in Erweiterung des Begriffs der Textstatistik, von einer quantitativen Textlinguistik (als Teilbereich der mathematischen Linguistik) gesprochen werden. Brinker (1992) unterscheidet zwei Grundrichtungen der Textlinguistik: während die sprachsystematisch ausgerichtete Textlinguistik den Satz als primäre Struktureinheit von Texten (verstanden als kohärente Satzfolgen) ansieht, thematisiert die kommunikationsorientierte Textlinguistik die Funktion textueller Einheiten in Abhängigkeit von variierenden Bedingungen der Kommu-

nikationssituation. Die ihrerseits kommunikationsorientierte quantitative Textlinguistik (QTL) rückt im Vergleich zu diesen beiden Richtungen einen Aspekt in den Vordergrund ihres Erkenntnisinteresses, den diese unberücksichtigt lassen: die statistische Textorganisation. Ist für die sprachsystematische Textlinguistik in Anlehnung an das Syntaxmodell Chomskys alles Probabilistische von Texten irrelevant, so betont die quantitative Textlinguistik umgekehrt gerade die Bedeutsamkeit quantitativer Aspekte von Textproduktion und -rezeption (vgl. Hřebíček/Altmann 1993b). Im Kern beruht der Textbegriff der quantitativen Linguistik auf der Auffassung, daß Texte quantitative Eigenschaften und Relationen aufweisen, die für ihre Struktur und Organisation konstitutiv sind. Textualität wird als eine Eigenschaft verstanden, die u. a. an der spezifischen statistischen Organisation textueller Einheiten zum Ausdruck kommt. Die Verteilungen quantitativer Texteigenschaften bilden sozusagen textspezifische Ordnungszustände. Der Begriff der statistischen Textorganisation wirkt in zweifacher Hinsicht differenzierend: zum einen zielt er auf quantitative Phänomene, die Texte gegenüber allen übrigen semiotischen Einheiten unterscheidbar machen (vgl. Altmann 1988a K Fragen dieser Art werden im Rahmen der Entwicklung einer Texttheorie untersucht). Zum anderen zielt er auf die Unterscheidung bzw. Klassifikation von Texten und Textsorten (vgl. Fucks 1968; Pieper 1979 K auf diesen Zusammenhang geht der Abschnitt zur quantitativen Stilistik genauer ein). Im Hinblick auf ihren Gegenstand behauptet die quantitative Textlinguistik die ontologische Realität des stochastischen, prozeßorientierten Charakters von Organisation und Struktur textueller Einheiten, die unter Rekurs auf Prozesse der Textproduktion und -rezeption beschrieben werden (vgl. Altmann 1988a; Tuldava 1998). Die QTL geht davon aus, daß Textprozesse in einem Kontinuum operieren, das durch die Extreme Determinismus und Zufälligkeit

326

VI. Gebiete und Phänomene: Text / Fields and phenomena: text

aufgespannt wird. Diese Prozesse sind durch Fluktuationen gekennzeichnet, die einen integralen K und nicht etwa defizitären K Bestandteil der Textorganisation bilden. Sie resultieren aus der Notwendigkeit nach kommunikativem Sprachgebrauch unter den Bedingungen immer neuer, unvorhersehbarer, dynamischer Situationen. Die besondere Dynamik dieser Fluktuationen besteht in ihrer Interdependenz: quantitative Texteigenschaften variieren stets in Abhängigkeit von konkurrierenden bzw. kooperierenden Eigenschaften (derselben oder anderer Einheiten). Die in Folge dieser Fluktuationen in Gang gesetzten Anpassungsprozesse verlaufen nicht chaotisch, sondern unterliegen K so die Hypothese K Regularitäten fern vom Extremum deterministischer Regelzusammenhänge. Die oberhalb der Satzebene hinzutretenden Freiheitsgrade werden nach Altmann (1988a) durch Textgesetze kontrolliert, welche die Produzierbarkeit bzw. Rezipierbarkeit von Texten sichern. Diesen Textgesetzen gilt das Erkenntnisinteresse der quantitativen Textlinguistik. Basierend auf dem methodischen Instrumentarium der deskriptiven und induktiven Statistik untersucht sie die in natürlichsprachlichen Texten beobachtbaren (materialen) Strukturen als latente Resultate von Textgesetzen. Dabei erlaubt nach Tuldava (1995) der quantitative Ansatz nicht nur die empirische Überprüfung von Hypothesen über textuelle Strukturen, sondern zugleich die Erforschung prozeßhafter Zusammenhänge, die anders (d. h. durch rein algebraische oder topologische Methoden) nicht zugänglich sind (vgl. auch Grotjahn 1979; Altmann 1988a). Die quantitative Textlinguistik ist per definitionem nicht nur empirisch, korpuslinguistisch ausgerichtet K zu den erkenntnistheoretischen Grundlagen der Korpuslinguistik siehe Stubbs (1996) K, sondern besitzt darüber hinaus eine theoretische Orientierung, wie sie in folgendem Drei-Stufen-Modell ihres Wissenschaftsprozesses (zunehmender empirischer Absicherung und theoretischer Abstraktion) zum Ausdruck kommt: (1) Quantifizierung und Messung: Die Basis der quantitativen Textanalyse bildet die Quantifizierung von qualitativen Texteigenschaften, d. h. ihre Umformung in eine für die Messung geeignete Form, die Bestimmung von Meßeinheiten und schließlich die Messung quantitativer Texteigenschaften (vgl. Tuldava

1998). Die erste Stufe der quantitativen Textanalyse besteht in dem Zählen, Messen und statistischen Erfassen quantitativer Texteigenschaften und ihrer empirischen Verteilungen. (2) Entwicklung und Überprüfung von Hypothesen: Auf der zweiten Stufe wird die Entwicklung und empirische Überprüfung von Hypothesen vollzogen, welche quantitative und dynamische Aspekte der Organisation von Texten berücksichtigen und qualitative textlinguistische Annahmen sukzessive ersetzen. (3) Entwicklung einer Texttheorie: Über das Zählen, Messen und Überprüfen von Hypothesen hinaus zielt die quantitative Linguistik auf die Erforschung von Textgesetzen als Bestandteile von Texttheorien, d. h. von Systemen deduktiv systematisierter und empirisch bestätigter Hypothesen, mit deren Hilfe Textprozesse erklärt und ihre Resultate gegebenenfalls vorhergesagt werden (können) sollen. Die quantitative Textlinguistik zielt auf die Beschreibung von Texten mit Hilfe von Kenngrößen der statistischen Textorganisation, den Vergleich und die Klassifikation von Texten auf der Basis ihrer quantitativen Eigenschaften sowie auf die Erforschung von Textgesetzen und deren Integration zu einer Texttheorie, und zwar unter Beachtung des epistemologischen Postulats, wonach es unmöglich ist, alle Verteilungen von Texteinheiten, ihre Dimensionen und Interdependenzen in einem Modell zu berücksichtigen. Dieser Dreiteilung entspricht die Vielzahl quantitativ-textlinguistischer Ansätze, die variierende Ansprüche hinsichtlich der Beschreibung und Erklärung textueller Phänomene verfolgen. Sie reichen von der Berechnung einfacher Indizes und Quotienten bis hin zur Untersuchung der Gesetzmäßigkeiten von Textprozessen (vgl. Abschnitt 4.). Ein grundlegendes Charakteristikum des Textbegriffs der quantitativen Linguistik bildet seine Prozeßorientierung. In diesem Sinne beschreibt Brainerd (1976) mit Hilfe von Markov-Ketten (vgl. Köhler 1983) K als mathematische Modelle der Textproduktion K Texte als (diskrete) stochastische Prozesse (siehe auch Mandelbrot 1961; Grotjahn 1979; Altmann 1988a; Altmann/Köhler 1996; Piotrowski 1997; Halliday 1991b). Die-

327

25. Eigenschaften der textuellen Einheiten und Systeme

sem Modell zufolge stellen Texte das Ergebnis probabilistischer Prozesse der Auswahl aus dem seinerseits probabilistisch organisierten Sprachsystem dar. In einem vereinfachten, binären Modell (in dem weder diskontinuierliche, noch vorwärts gerichtete, noch kotextuelle Abhängigkeiten gegenüber über-/untergeordneten Konstituenten berücksichtigt werden) wird ein Text T als eine endliche Folge w1, ... , wn von Einheiten wi (Silben, Wörter, etc.) charakterisiert, die eine Sequenz X1, ... , Xn von Zufallsvariablen induziert, mit Xi Z 1, falls wi die untersuchte Eigenschaft A (Mehrsilbigkeit, Wortartenzugehörigkeit, etc.) besitzt, und Xi Z 0 sonst. Mit Hilfe von Markov-Ketten wird untersucht, wieweit der Einfluß von Textkomponenten im Hinblick auf die Ausprägungen der Eigenschaften folgender Komponenten reicht, inwieweit also aus der Kenntnis der Werte der Variablen XiK1, ... , XiKj , j ! i, auf den Wert der Variablen Xi geschlossen werden kann bzw. ab welchem j dieser Einfluß erlischt. Die Annahme darüber, wie schnell dieser Einfluß abnimmt, bestimmt die Ordnung der Markov-Kette. Brainerd deutet den mit diesem Parameter verbundenen Grad der Vorhersagbarkeit textueller Ereignisse als Stilcharakteristikum: je größer der Einfluß vorangehender Einheiten ist, desto gleichförmiger, redundanter ist die Textgestalt. Ein Ziel der quantitativen Linguistik besteht in der Erforschung stochastischer Gesetze, welche das Verhalten von Zufallsvariablen dieser Art kontrollieren. Der mit diesem Modell verbundene Textbegriff impliziert, daß die Produktion von Texten als stochastischer Prozeß aufzufassen ist, dessen Resultate, d. h. die Verteilungen quantitativer Texteigenschaften, ebenfalls probabilistisch organisiert sind und daher notwendigerweise Tendenzcharakter besitzen (vgl. Altmann 1995). Für die quantitative Textlinguistik ist weniger der Struktur- bzw. Regelbegriff, als vielmehr der Prozess- und Verteilungsbegriff grundlegend. Die Dynamik der Organisation von Texten stellt die Möglichkeit eines regelbasierten Textmodells in Frage, das wegen seines deterministischen Charakters die textkonstitutive Wirksamkeit stochastischer Prozesse leugnet. Der stochastische Charakter von Texten wird anhand ihrer spezifischen Komplexität deutlich: Texte sind prinzipiell durch Vagheit (der Grenzen ihrer Konstituenten und deren Relationen), Kontextsensitivität (im Sinne der Abhängig-

keit ihrer Produktion/Rezeption von kognitiven, situativen, sozialen Kontexten), Dynamik (in Bezug auf die Variation von Texteigenschaften im Textverlauf) und Variabilität (in Abhängigkeit von der zeitlichen Dimension) gekennzeichnet (vgl. Barwise/Perry 1983; Hřebíček/Altmann 1993b; Altmann 1995; Czyz˙akowski/Piotrowski 1993; Mehler 2004b). Die quantitative Linguistik sucht nicht nach formalen Regeln zur Beschreibung der Strukturen wohlgeformter Texte. Vielmehr beschreibt sie Texte als multidimensionale, multiresolutionale Systeme interdependenter Verteilungen von Textkonstituenten und ihrer Eigenschaften. Dabei umfaßt nach Tuldava (1998) der probabilistische Ansatz das regelorientierte, deterministische Modell als Spezialfall. Die quantitative Linguistik zielt aber nicht auf die prinzipielle Ersetzung der qualitativen Textanalyse oder die Auflösung textlinguistischer Taxonomien. Dies wird am Beispiel der statistischen Stilanalyse deutlich, die objektiv meßbare, quantitative Korrelate qualitativer Stilmerkmale sucht, auf deren Grundlage die intersubjektive Überprüfbarkeit und Wiederholbarkeit stilanalytischer Experimente gewährleistet werden kann (vgl. Tuldava 1995). Die quantitative Linguistik betrachtet die Herausbildung taxonomischer, typologischer Begriffe zur Beschreibung von Texten als Vorstufe auf dem Weg zu einer empirischen, erklärenden Textwissenschaft. Zu den allgemeinen Aufgaben der QTL zählen die Erforschung von Regularitäten und Gesetzen der statistischen Textorganisation, die Aufstellung mathematischer Modelle der Textproduktion und -rezeption, die quantitative Beschreibung der Einheiten der verschiedenen Textebenen, der Vergleich und die Klassifikation von Texten und Textsorten, die quantitative Analyse von Dialogen, die Messung des Komplexitätsgrads von Texten u. v. a. m. (zu diesbezüglichen Übersichten siehe Fucks 1968; Boroda/Dolinskij 1988; Altmann 1988a; Tuldava 1995; Tuldava 1998; Mehler 2004a; Mehler 2004b).

2.

Quantitative Textlinguistik und Systemtheorie

Der prozeßorientierte Textbegriff der QTL steht in Zusammenhang mit systemtheoretischen Konzeptionen der Sprache. Die Systemtheorie ist ein interdisziplinärer Ansatz, der im Bereich der Sprachwissenschaft zur

328

VI. Gebiete und Phänomene: Text / Fields and phenomena: text

Repräsentation dynamischer Aspekte der Erzeugung, Aufrechterhaltung und des Wandels von Struktur und Funktion semiotischer Systeme dient (Wildgen/Mottron 1987; Köhler 1988; Nöth 1990; Strohner 1990; Strohner/Rickheit 1990). Eine grundlegende Implikation der Systemtheorie im Bereich der Textlinguistik lautet, daß textuelle Entitäten als Systeme aufzufassen sind, deren spezifische Kohärenz aus der Kooperation und Konkurrenz von Teilprozessen der Textproduktion bzw. -rezeption hervorgeht. Einer der ersten systemtheoretischen Textbegriffe stammt von Oomen (1971). Sie beschreibt Texte als sprachliche Prozesse der Auswahl von Textkonstituenten, deren Gerichtetheit aus ihrer kommunikativen Funktion resultiert. Ferner betrachtet sie Texttypen nicht als taxonomisch, sondern als genetisch zu spezifizierende Entitäten. Die Vielzahl der systemtheoretischen Textbegriffe, die in der Folgezeit entwickelt wurden, kann im Hinblick auf den jeweils fokussierten Ausschnitt (Synchronie, Diachronie) differenziert werden, der unter systemtheoretischer Perspektive analysiert wird, aber auch auf der Grundlage des (kybernetischen, katastrophentheoretischen oder synergetischen) Modells, das zur Beschreibung dieses Ausschnitts verwendet wird (eine Übersicht zu systemtheoretischen Textbegriffen enthält Nöth 1990). Im folgenden werden sechs Ansätze skizziert, die je nach semiotischem (Nöth), kognitionslinguistischem (Strohner/Rickheit), textlinguistischem (de Beaugrande und Dressler) soziolinguistischem (Halliday), katastrophentheoretischem (Wildgen) und quantitativ-linguistischem (Altmann; Köhler) Erkenntnisinteresse den Textbegriff unter alternativen systemtheoretischen Perspektiven beleuchten. Nöth (1990) beschreibt natürliche Sprachen als offene, dynamische Systeme, die drei Typen von Prozessen zur Kompensation von Störungen aus ihrer Umgebung vorsehen. Unter regulativer Orientierung an statischen Sollzuständen beantworten homöostatische Prozesse Perturbationen des Sprachsystems durch Mechanismen negativer Rückkoppelung (Nöth 1983). Demgegenüber beruhen homöorhetische und morphogenetische Prozesse auf Mechanismen positiver Rückkoppelung, die sich an variablen Sollzuständen orientieren und die Verstärkung der im System wirksamen Perturbationen bedingen, wobei das System nicht in den vormaligen Zustand zurückkehrt, sondern

ein neues Gleichgewicht als Ausdruck seiner Anpassung an die Umgebung erreicht. Während homöorhetische Prozesse des Spracherwerbs in Übereinstimmung mit vorgegebenen Entwicklungspfaden verlaufen, fehlt bei morphogenetischen Prozessen des Sprachwandels eine solche Vorgabe; sie zielen auf ein Gleichgewicht von System und Umgebung auf der Basis neuer, höherer Entwicklungszustände. Vor diesem Hintergrund charakterisiert Nöth (1975; 1978) Texte als Systeme, deren Verarbeitung auf der Kompensation von Störungen der Kohärenz von Textsegmenten durch Mechanismen negativer Rückkoppelung beruht. Als homöostatische Variablen werden dabei die thematische Kohärenz einzelner Texte oder die Koinzidenz von Sprecherintention und Empfängerverhalten untersucht. Dabei verwendet Nöth das Modell des kybernetischen Regelkreises als ein systemtheoretisches Modell der Makrostruktur von Texten. Aus morphogenetischer Sicht korrelieren Sprachwandel und Offenheit des Sprachsystems in der Weise, daß mit abnehmender linguistischer Resolution (in Richtung der Ebene von Texten) die Instabilität des Kodes zunimmt: je geringer die sprachliche Resolution ist, desto größer ist die Instabilität und desto wirksamer ist der Sprachwandel für Einheiten der betroffenen Ebene. Die Textebene bildet daher nach Nöth (1990) den Bereich größter sprachlicher Offenheit bzw. Instabilität: Textsysteme reagieren am schnellsten auf Veränderungen ihrer Umgebung. Ihre Adaptabilität an heterogene soziale Systeme korreliert mit ihrer Instabilität, wobei Unterschiede von Texttypen anhand unterschiedlicher Grade der Instabilität ihrer Instanzen zum Ausdruck kommen. Texttypen und deren Grenzen sind daher notwendigerweise gradueller Natur. Beaugrande (1980) beschreibt ein kybernetisches Modell der Textverarbeitung. Er faßt Kommunikation als einen Prozess auf, dessen Teilnehmer auf die Kontinuität ihrer Kognition durch Integration des jeweiligen Texts in den Verarbeitungskontext zielen. Diese Kontinuität wird durch Diskrepanzen zwischen text- und kontextgeleiteten Erfahrungen gestört, denen der Verarbeitungsprozess durch Mechanismen regulativer Integration begegnet, die durch konkurrierende Bedürfnisse nach kommunikativer Effizienz und Effektivität gesteuert werden. Oberhalb des Moments vollständiger Desintegration ist eine Vielzahl von Integrations-

25. Eigenschaften der textuellen Einheiten und Systeme

stufen tolerierbar, ohne daß die Kommunikation als gescheitert zu betrachten ist. Die Graduierbarkeit der von Beaugrande/Dressler (1981) unterschiedenen Textualitätskriterien reflektiert gerade die Dynamik solcher Textverarbeitungsprozesse (siehe auch Beaugrande 1997). Einen systemtheoretischen Kohärenzbegriff entwickeln Strohner/Rickheit (1990). Sprachliche Kohärenz wird als Spezialfall von Kohärenzphänomenen beschrieben, die unter drei Aspekten untersucht werden: hinsichtlich der Tektonik wird die Integrität von Systemen bezogen auf den strukturellen Zusammenhang ihrer Komponenten sowie den funktionalen Zusammenhang mit ihrer Umwelt problematisiert. Unter dem Aspekt der Dynamik wird die Stabilität von Systemzuständen als Resultat kooperierender/konkurrierender Prozesse der (Selbst-)Regulation/Organisation untersucht. Schließlich bezieht sich der genetische Kohärenzaspekt auf die Kreativität von Systemen zur Herausbildung von (Teil-)Systemen, die ihrerseits unter den Aspekten der Tektonik, Dynamik und Genetik beschreibbar sind. Vor diesem Hintergrund identifizieren Strohner/Rickheit drei Ebenen sprachlicher Kohärenz: die Kohärenz individueller kognitiver Informationsverarbeitungssysteme, von Kommunikationssystemen, die aus der Kooperation mehrerer Systeme hervorgehen, sowie des Sprachsystems als Ganzes. Auf der Ebene kognitiver Systeme ergibt sich folgende Einteilung: unter dem Aspekt der Tektonik wird die Integrität kognitiver Textmodelle untersucht. Demgegenüber betrifft der Aspekt der Dynamik die Untersuchung von Textverarbeitungsprozessen. Schließlich bezieht sich der Kreativitätsaspekt auf die Fähigkeit zur Erweiterung des Wissens kognitiver Systeme (siehe auch Altmann (1988a), der den sprachlichen Kode, die zugehörigen Idiolektträger und deren textuelle Produkte als Teilsysteme des Sprachsystems identifiziert). Eine triadische Differenzierung von Prozessen der Organisation sprachlicher (insbesondere textueller) Phänomene sieht auch Wildgen vor (siehe Wildgen/Mottron 1987), der auf die Identifikation dynamischer Sprachprinzipien, die als Invarianten von Stabilität und Dynamik sprachlicher Prozesse und ihrer Resultate wirksam sind, zielt. Er wendet sich gegen Konzeptionen, welche die Diskretheit, Linearität und Determiniertheit sprachlicher Phänomene vor-

329 aussetzen und favorisiert demgegenüber einen katastrophentheoretischen Ansatz, der kontinuierliche, nichtlineare und nichtdeterministische Aspekte dynamischer Systeme zu modellieren erlaubt. Als mathematische Disziplin dient die Katastrophentheorie zur Beschreibung von Prozessen multidimensionaler Systeme, in denen Katastrophen als diskontinuierliche Übergänge zwischen verschiedenen Systemzuständen definiert werden. Ausgehend von der Kontinuierlichkeit als Standardfall wird die Konstitution diskreter Systemzustände problematisiert und nicht schon vorausgesetzt. Dabei zielt das Moment des Indeterminismus auf die Analyse der systemkonstitutiven Wirkung zufälliger Fluktuationen innerhalb der jeweiligen Systemumgebung. Wildgen beschreibt ein Modell mündlicher Erzählungen, das drei Stufen der Selbstorganisation unterscheidet (siehe Wildgen/Mottron 1987). Auf referenzieller Ebene wird die zeitliche Organisation von Ereignissen in Erzählungen untersucht, wobei Ereigniswechsel als bipolare Katastrophen modelliert werden: auf die Komplikation (als Ereignissumme vor) folgt der Höhepunkt und schließlich das Resultat (als Ereignissumme nach Eintritt der Katastrophe). Die evaluative Ebene untersucht die Organisation von Erzählungen unter Rekurs auf das Rezeptionsinteresse des Hörers. Schließlich rekurriert die Interaktionsebene auf die Einbettung der Erzählung in das jeweilige Kommunikationssystem, das auf die Linearisierung von Produktions- und Rezeptionsprozessen in Form möglichst konsekutiver Dialogbeiträge zielt. Wildgen (1983) beschreibt ein katastrophentheoretisches Dialogmodell, das Aspekte der sequentiellen, inhaltlichen und sprecherstrategischen Dynamik unterscheidet. Der probabilistische Textbegriff koinzidiert weiterhin mit Überlegungen der systemisch-funktionalen Linguistik, derzufolge natürliche Sprachen dynamische Systeme darstellen, die unter Rückgriff auf Texte als primäre Interaktionseinheiten durch permanente Interaktion mit ihrer Umgebung persistieren. Halliday (1991a) unterscheidet drei Momente der Dynamik dieser Interaktion: die Phylogenese bezieht sich auf den Wandel des Sprachsystems; die Ontogenese rekurriert auf die Geschichte einzelner Zeichenverarbeitungssysteme, die im Hinblick auf Wachstum, Reifephase und Absterben untersucht werden. Schließlich wird unter aktualgenetischer Perspektive der Prozess

330

VI. Gebiete und Phänomene: Text / Fields and phenomena: text

der Erzeugung einzelner textueller Interaktionseinheiten betrachtet, die in großer Zahl die jeweilige Sprache konstituieren. Dabei instanziieren Frequenzen von Textkomponenten und deren Relationen wahrscheinlichkeitsbewertete Dispositionen des Sprachsystems. Aus dieser Sicht bilden Texte notwendigerweise probabilistische Systeme. Während die bislang erörterten Ansätze primär deskriptiv-typologische Fragen thematisieren, zielt die synergetische Linguistik, die auf der Synergetik als Theorie der spontanen Entstehung und Entwicklung von Strukturen beruht, auf die Erklärung von Genese und Wandel sprachlicher Phänomene (vgl. Köhler 1986; Art. Nr. 53). Dabei unterscheidet sie zwei Beschreibungsebenen: auf der Makroebene werden kooperierende/konkurrierende Systembedürfnisse (etwa nach Minimierung des Produktionsund Dekodierungsaufwands) beschrieben, die als Ordnungsparameter mikroskopische Mechanismen der Zeichenproduktion/-rezeption versklaven, d. h. in ihrer Dynamik kontrollieren. Bezogen auf natürlichsprachliche Texte impliziert diese Auffassung, daß sämtliche Prozesse der Textproduktion und -rezeption, die anhand der probabilistischen Distributionen quantitativer Texteigenschaften beobachtbar sind, durch Systembedürfnisse stochastisch kontrolliert werden. Der Texturbegriff wird weniger aus statischer, struktureller, als vielmehr aus prozessualer, systemkonstitutiver Sicht thematisiert: interdependente stochastische Teilprozesse erzeugen in Abhängigkeit von Ordnungsparametern und Randbedingungen des Textproduktionsprozesses auf allen Ebenen thematischer, funktionaler, pragmatischer Kohärenz regelhafte Verhältnisse und Muster von Textkonstituenten (siehe auch Altmann 1988a; Hřebíček/Altmann 1993b). Synergetische Prozesse sind durch Sensitivität gegenüber ihren fluktuierenden Randbedingungen gekennzeichnet. Auf der Ebene von Texten zählen hierzu u. a. der kognitive Kontext von Textrezipient und -produzent, der situative Kontext von Referenz- und Diskurssituation sowie der soziale, kulturelle Kontext, der u. a. durch Textsorten sprachlich realisiert wird. Veränderungen der Systembedürfnisse und Randbedingungen, ihrer Intensitäten und Gewichtungen bedingen die Dynamik von Entstehung und Rezeption textueller Systeme. Die synergetische Linguistik faßt Texte als synergetische Ganzheiten auf, d. h. als Resultate von Me-

chanismen harmonischer Selbstregulation und Selbstorganisation. Ein Beispiel für ein synergetisches Textmodell bildet die Interpretation der Zipfschen Kräfte als synergetische Ordnungsparameter (siehe Altmann 1988a).

3.

Zum Begriff der statistischen Textorganisation

Die begriffstheoretische Basis zur Analyse der statistischen Textorganisation bilden die Begriffe Texteinheit, Texteigenschaft und Wiederholung (Rekurrenz) sowie die hieraus ableitbaren Begriffe der Häufigkeit (Frequenz), Verteilung (Distribution), Länge, Kookkurrenz, Textposition und des Textsegments (vgl. Altmann 1988a; Tuldava 1998). Aus dynamischer Sicht sind weiterhin die Begriffe der Sequenz bzw. (Ab-)Folge und des Prozesses bzw. der Entfaltung der Textstruktur in der Zeit zu nennen. Texteinheiten (wie beispielsweise Buchstaben, Silben, Wortformen oder Sätze) sind in Texten auf der Basis eines Systems eindeutiger (nicht interpretativer) Kriterien (bzw. Prozeduren) zu identifizierende Entitäten, deren Merkmale zum Zwecke der Messung von Texteigenschaften K als in Texten beobachtbare probabilistische Korrelate stochastischer Textprozesse K quantifiziert werden (vgl. Altmann 1988a; Pieper 1979). Die Eindeutigkeit der Identifikationskriterien bildet eine Voraussetzung für die Wiederholbarkeit bzw. Übertragbarkeit textanalytischer Meßoperationen und Experimente. Wiederholung meint nun das mehrfache Vorkommen gleicher oder ähnlicher (Klassen von) Texteinheiten im Textverlauf (aufgrund grammatischer, thematischer, stilistischer oder anderer Restriktionen). Wiederholung basiert nicht nur auf dem Konzept der Identität und Differenz, sondern zugleich auf dem Konzept der Ähnlichkeit. Die Bedeutung, welche die quantitative Linguistik dem Konzept der Wiederholung beimißt, steht in Einklang mit der allgemeinen Semiotik, derzufolge Wiederholbarkeit eine Bedingung der Möglichkeit von Zeichenhaftigkeit darstellt. Wiederholbarkeit stellt eine Voraussetzung von Interpretierbarkeit dar und steht daher in Zusammenhang mit der Bedeutungsseite des Zeichens (vgl. hierzu Peirce 1991). Aus dem Begriff der Wiederholung sind unmittelbar die Begriffe der Häufigkeit und Verteilung als elementare

25. Eigenschaften der textuellen Einheiten und Systeme

Konstituenten der statistischen Textorganisation ableitbar: während Häufigkeit als primäre quantitative Eigenschaft einzelne Texteinheiten charakterisiert, repräsentieren Verteilungen (u. U. rang-)geordnete Gesamtheiten von Werten einer Texteigenschaft. Wiederholte Texteinheiten bilden (Äquivalenz- oder Toleranz-)Klassen, die ihrerseits durch das Merkmal der Häufigkeit (und Verteilung) charakterisierbar sind. Betrachtet man Textsegmente als Einheiten in einem Kontinuum, das durch zwei Extreme aufgespannt wird, die ausschließlich verschiedene bzw. identische Konstituenten aufweisen, so läßt sich weiterhin die Interdependenz der Begriffe Segmentierung und Wiederholung behaupten: danach resultieren Textsegmentstrukturen aus signifikanten, weder rein zufälligen, noch deterministischen Wiederholungen von Texteinheiten (vgl. Hřebíček/Altmann 1993b). Darüber hinaus zeigt Altmann (1988a) durch Analyse der positionalen Wiederholung, daß die Begriffe Textposition und Wiederholung in einen statistisch analysierbaren Zusammenhang zu bringen sind. Schließlich impliziert das Konzept des Textsegments den Begriff der (Segment-)Länge als weitere elementare quantitative Texteigenschaft. Ist also E eine Klasse von Texteinheiten, dann kann u. a. nach der Frequenz, Länge, Ausdehnung, Anordnung, Periodizität, Assoziativität, dem Abstand oder dem Anteil an der Textgestaltung von Instanzen dieser Klasse und damit nach unterschiedlichen quantitativen Texteigenschaften gefragt werden. Diese Betrachtung ist auf mehrstellige homogene oder heterogene Relationen auszudehnen, auf Relationen also, deren Elemente verschieden-stellig sein können. Der Begriff des numerischen Textrepräsentationsmodells, der diese Zusammenhänge umfasst, wird in Mehler (2004a; 2004b; 2004c) genauer erläutert. Die QTL verfolgt das Ziel, jene Typen der Wiederholung in Texten zu bestimmen, die dem Tendenzcharakter von Textstrukturen zugrundeliegen. Die in natürlichsprachlichen Texten beobachtbaren Wiederholungen werden dahingehend untersucht, inwiefern sie Muster erzeugen und in Abhängigkeit von welchen Parametern (wie z. B. Textsorte, Genre, Register, etc.) sie variieren (die Bedeutsamkeit einer Wiederholungstendenz wird durch den statistischen Test der Signifikanz ihrer Abweichung von der zugehörigen theoretischen Verteilung, die

331 unter der Bedingung reiner Zufälligkeit aufgestellt wird, bestimmt). In diesem Zusammenhang unterscheidet Altmann (1988a) neun Typen von Wiederholungen in Texten: (1) Die formlose Wiederholung bezieht sich auf die freie, unrestringierte Wiederholung von Texteinheiten. Die Geltung einer tendenziellen Rekurrenz ist an den Nachweis einer signifikanten Abweichung gegenüber den theoretisch erwartbaren Häufigkeiten der Einheiten unter der Bedingung, daß allein der Zufall ihre Vorkommen kontrolliert, gebunden. (2) Die positionale Wiederholung beruht darauf, daß Texteinheiten an Textpositionen bestimmten Typs häufiger vorkommen, als erwartet. Dabei unterscheidet man zwei Grundtypen der Positionierung: die funktionale Relation beruht auf dem Vorkommen von Einheiten in bestimmten Positionen innerhalb von Textsegmenten (etwa am Anfang oder am Ende einer zusammengesetzten Einheit). Die distributionelle Relation bezieht sich auf das Vorkommen von Texteinheiten vor oder hinter Einheiten einer bestimmten Klasse. In diesem Zusammenhang untersuchen Grotjahn (1979) und Altmann (1988a) tendenzielle Reimendungen, offene Reime, die Klimax (also die Tendenz zum Anwachsen einer quantitativen Eigenschaft in einer Texteinheit (so etwa das Anwachsen der Wortlänge im Vers) sowie die Positionierung von Wortarten in Sätzen. (3) Unter assoziativer Wiederholung wird die überdurchschnittliche, tendenzielle Kookkurrenz (bzw. Koinzidenz) von Texteinheiten in textuellen Rahmen (Sätze, Verse, Kapitel, Texte, Genre, etc.) verstanden. Dabei werden in Texten beobachtbare signifikante Assoziationen in zwei Gruppen unterteilt: Assoziationen, die für mehrere Texte oder Textsorten signifikant sind und solche, die einzeltextspezifisch sind. Ferner unterscheidet man links- und rechtsseitige Koinzidenz. Altmann (1988a) vermutet, daß der Übergang von speziellen zu allgemeinen Assoziationen durch das Piotrowski-Gesetz kontrolliert wird. Altmann (1992) beschreibt Wortassoziationen als das Resultat der Konkurrenz von Unifikations- und Diversifikations-

332

VI. Gebiete und Phänomene: Text / Fields and phenomena: text

prozessen des Hörers (Textrezipient) und Sprechers (Textproduzent). Hřebíček (1996) thematisiert den Zusammenhang von Wortassoziationen und Textsegmentierung. (4) Nichtzufällige (ununterbrochene) Sequenzen von (gleichen oder ähnlichen) Texteinheiten als Ganzes (sozusagen die Klumpung identischer Einheiten in Form ununterbrochener Sequenzen) bzw. von identischen (benachbarten) Ausprägungen quantitativer Eigenschaften in Texten, die vor allem auf der Ebene formaler Einheiten beobachtbar sind, werden als iterative Wiederholungen bezeichnet, die auch Gruppen von Einheiten kennzeichnen können. In diesem Zusammenhang wird beispielsweise die Iteration von Versfußarten, Silbenlängen, Wortlängen oder Satztypen untersucht. Binäre Sequenzen beruhen auf einer Dichotomisierung des betrachteten Merkmals A, so daß gefragt wird, ob die lückenlose Sequenz von Texteinheiten mit der Eigenschaft A bzw. ¬A zufällig ist oder einen Trend aufweist. (5) Aggregative Wiederholungen resultieren aus Klumpungstendenzen identischer bzw. ähnlicher Einheiten. Im Gegensatz zur iterativen Wiederholung werden hier Klumpungen untersucht, die auch kürzere Unterbrechungen erlauben. Für den binären Fall (des Paares A / ¬A) leiten Strauß/Sappok/Diller et al. (1984) die negative Binomialverteilung als theoretisches Modell für die Verteilung der Distanzen der annahmegemäß klumpenden Einheiten ab. Dieses Modell beruht auf der Annahme, daß zur Klumpung neigende Texteinheiten wenige große und viele kurze Distanzen in Texten aufweisen. Das Modell von Strauß/Sappok/Diller et al. enthält einen Parameter, der das Klumpungsverhalten unterschiedlicher Texteinheiten abzubilden erlaubt (siehe Altmann 1988a für ein alternatives Modell, das auf Markov-Ketten beruht). Vor dem Hintergrund einer textlinguistischen Interpretation einer Hypothese Skinners, derzufolge identische Einheiten in Texten signifikant häufiger in kurzen Abständen vorkommen, als in längeren (daß also die Produktion einer Einheit ihre Vorkommenswahrscheinlichkeit in geringer Distanz erhöht), un-

(6)

(7)

(8)

(9)

tersucht ferner Zörnig (1984a; 1984b) theoretische Verteilungen für den (verallgemeinerten) Typ der nicht-binären aggregativen Wiederholung mehrerer Einheiten unter der Bedingung ihrer Unabhängigkeit. Schließlich untersucht Altmann (1988a) mit Hilfe dieses Modells die Klumpungstendenzen von Wortarten in Gedichten. Im Falle der ähnlichkeitsaggregativen Wiederholung wird die Annahme der Selbststimulation für das Erscheinen gleicher Einheiten auf formal oder semantisch ähnliche Einheiten ausgedehnt. Dabei ergibt sich das grundsätzliche Problem der Messung (insbesondere) der (inhaltlichen) Ähnlichkeiten von Zeichen. In diesem Zusammenhang untersucht beispielsweise Altmann (1988a) die Hypothese, daß benachbarte Verse phonisch ähnlicher sind, als distantere, daß also die phonische Ähnlichkeit von Versen als Funktion ihrer Distanzen beschrieben werden kann. Unter Rekurs auf den Begriff der blockmäßigen Wiederholung wird die Frage untersucht, welche Gesetze die Verteilungen von Texteinheiten auf Textblöcke (gleicher Länge) kontrollieren und wie sich diese Verteilungen unter den Bedingungen unterschiedlicher Blocklängen verändern. Ferner wird untersucht, welche Abhängigkeiten gegenüber welchen Wortarten und welchen Worthäufigkeiten bestehen. Parallele Wiederholungen (wie etwa der Reim) beruhen darauf, daß in mehreren (parallelen) komplexen Texteinheiten gleiche oder ähnliche formale oder semantische Einheiten vorkommen. Zyklische Wiederholungen schließlich, die vor allem im Bereich der Poetik untersucht werden, können als Wellenbewegungen in Texten veranschaulicht werden. Nach Halliday/Hasan (1976) sind auch Kohäsionsrelationen wellenartig, zyklisch organisiert. Phillips (1985) beschreibt wellenförmig organisierte Kapitelstrukturen. Boroda (1994) modelliert die rhythmische Organisation kohärenter Texte auf der Ebene von Wörtern. Zyklische Wiederholungen werden u. a. mit Hilfe von Zeitreihen und Markov-Ketten untersucht. Ein Beispiel bildet die zyklische Wiederholung des Akzents im Vers.

25. Eigenschaften der textuellen Einheiten und Systeme

Die Verteilungen von Wiederholungen variieren (wie Texteigenschaften generell) in Abhängigkeit von grammatischen, thematischen, stilistischen, textsortenspezifischen u. a. sprachlichen und außersprachlichen Randbedingungen. Die QTL verfolgt das Ziel, Wiederholungen in Texten unter Rekurs auf die ceteris paribus-Klausel als Resultate stochastischer Textprozesse zu beschreiben, die durch Textgesetze kontrolliert werden.

4.

Zur Methodik der quantitativen Textlinguistik

Der stochastische Charakter von Textprozessen bedingt den stochastischen Charakter ihrer Resultate, woraus wiederum die Unabdingbarkeit der Statistik als Methode der QTL folgt (vgl. Grotjahn 1979). In Anlehnung an ihren Wissenschaftsprozess (siehe oben) sind dabei Verfahren der deskriptiven Statistik, die zur numerischen Erfassung der Ausprägungen, Verhältnisse, Verteilungen und statistischen Momente quantitativer Texteigenschaften in Form einzelner oder geordneter Mengen (etwa in Form von Rangfrequenzverteilungen) von Meßwerten dienen, von solchen der induktiven Statistik zu unterscheiden, mit deren Hilfe Hypothesen über Verteilungen und Momente quantitativer Texteigenschaften im Hinblick auf ihre statistische Signifikanz getestet werden. Bezogen auf das Kriterium der Zahl untersuchter Texteigenschaften unterscheidet Pieper (1979) drei Verfahrensgruppen zur Beschreibung, zum Vergleich und zur Klassifikation von Texten: (1) Univariate Analyseverfahren beruhen auf der isolierten Untersuchung einzelner Texteigenschaften durch Berechnung von Indizes (Durchschnittswerten, Varianzen, etc.) zur Erfassung des typischen Verhaltens dieser Variablen in Texten oder Textgruppen. Beispiele solcher Indizes bilden die durchschnittliche Satzlänge oder auch die mittlere Häufigkeit von Wörtern einer bestimmten Wortart in den Texten eines oder mehrerer Autoren. (2) Im Rahmen bivariater Analysen werden die numerischen Zusammenhänge bzw. Ursache-Wirkungs-Beziehungen quantitativer Texteigenschaften mit Hilfe von Verhältniszahlen paarweise untersucht. Die Quotientenbildung er-

333 folgt auf der Grundlage von Summenwerten oder getrennt für jedes Paar von Werten und anschließende Charakterisierung durch Lageparameter. Beispiele für Quotienten dieser Art (bei denen wahlweise auf Lexeme oder Types Bezug genommen wird) sind der Konzentrationsindex (der Anteil der n häufigsten Wörter am Textvokabular), der Diversitäts- oder Type-Token-Index (das Verhältnis von Vokabular- und Textumfang), der Einmaligkeitsindex oder die hapax legomena (das Verhältnis der Zahl einmal vorkommender Wörter zum Textumfang), der Aktionsquotient (das Verhältnis der Zahl von Verben und Adjektiven), der Dichtegrad der Aussage (der durchschnittliche Anteil so genannter aussagehaltiger Wörter, wie etwa Nomina oder finite Verben, an der durchschnittlichen Wortzahl von Sätzen), der Analytizitätsindex (das Verhältnis der Zahl von Lexemen und Flexionsformen in Texten), die ClauseLänge (die Zahl der Wörter im Verhältnis zu der Zahl der Verben) u. v. a. m. (vgl. Pieper 1979; Altmann 1988a; Tuldava 1998). Im Rahmen von Sensitivitätsanalysen werden Fragen der Art untersucht, inwieweit der Wert einer Variablen des betrachteten Quotienten zunimmt, wenn die zweite Variable um einen bestimmten Betrag ansteigt. (3) Multivariate Analysen untersuchen die (korrelativen oder annahmegemäß kausalen) Zusammenhänge mehrerer Variablen der statistischen Textorganisation mit Hilfe von Methoden der Faktoren-, Diskriminanz- oder Clusteranalyse. Die Grundlage dieser Verfahren bildet die Hypothese, wonach der Betrag quantitativer Texteigenschaften in Abhängigkeit von den Beträgen anderer Texteigenschaften variiert. Ziel ist es, Texte anhand mehrerer Texteigenschaften zu gruppieren bzw. das Diskriminanzpotential einzelner Texteigenschaften zu bestimmen (vgl. Pieper 1979; Liiv/Tuldava 1993; Tuldava 1998; Lebart/Salem/Berry 1998; Lebart/Rajman 2000). Unter Bezug auf die formlose Wiederholung unterscheidet Altmann (1988a) globale Indizes (wie etwa Mittelwert, Varianz, Entropie als Maß der Ungleichmäßigkeit (Monotonie) der Verteilung der relativen Häufigkei-

334

VI. Gebiete und Phänomene: Text / Fields and phenomena: text

ten von Texteinheiten sowie die Wiederholungsrate K diese mißt ebenfalls basierend auf den Häufigkeiten von Texteinheiten die Stereotypie von Texten) und Wahrscheinlichkeitsverteilungen als zwei Varianten zur Beschreibung von Mengen quantitativer Texteigenschaften. Wie schon univariate und bivariate Indizes so repräsentieren auch globale Indizes quantitative Charakteristika durch einzelne Werte, ohne die Dynamik der Textorganisation im Textverlauf zu berücksichtigen. Die Dynamik der Veränderungen quantitativer Texteigenschaften ist mit Hilfe isolierter Indizes aber nicht hinreichend zu erfassen. Hierzu werden vielmehr Verteilungsmodelle benötigt, welche die Ausprägungen von Texteigenschaften an einer Vielzahl von Textpositionen berücksichtigen. So erläutern beispielsweise Köhler/ Galle (1993), auf welche Weise Quotienten aus der Perspektive ihrer dynamischen Entwicklung im Textverlauf, und zwar unter Bezug auf konsekutive Textpositionen oder -blöcke, untersucht werden können. Zur Ableitung von (theoretischen) Verteilungen K als Repräsentationen von Textgesetzen bzw. Gesetzeskandidaten K werden (im Rahmen des synergetischen Sprachmodells) grundsätzlich zwei, nicht strikt geordnete Verfahrensalternativen unterschieden (vgl. Altmann 1988b; Altmann/Köhler 1996): (1) Gleichgewichtsmodelle gehen resultatsbezogen von Annahmen über die Ausprägungen/Verhältnisse von Systembedürfnissen bzw. Randbedingungen von Textprozessen in Gleichgewichtszuständen aus und versuchen aus den resultierenden Differenzen- bzw. Differentialgleichungen Funktionen (Wahrscheinlichkeitsverteilungen) abzuleiten, die vor dem Hintergrund empirischer Bestätigung und theoretisch-deduktiver Einbettung den Status von Gesetzen erlangen können (einen solchen Ansatz verfolgt indirekt Orlov 1982a; 1982b). (2) Demgegenüber inkorporieren Prozessmodelle diskrete oder kontinuierliche Zeitvariablen, mit deren Hilfe die Produktion von Texten als stochastischer Prozess beschrieben wird, der von (Produktions-)Zustand (als System von Ausprägungen und Relationen quantitativer Texteigenschaften) zu Zustand voranschreitet und die unmittelbare Beobachtung der Wertänderungen dieser Ei-

genschaften erlaubt (vgl. Brainerd 1976; Hřebíček 1995). Beispiele für solche Prozesse bilden das Vokabularwachstum oder auch die Zunahme phorischer Ausdrücke in Abhängigkeit von der Variation der Länge und dem Wachstum der Zahl der Sätze in Texten. Betrachtet man beispielsweise die Länge als quantitative Eigenschaft der Texteinheit Satz, so kann aus der Beobachtung der Längen aller Sätze eines Texts dessen durchschnittliche Satzlänge als quantitative Texteigenschaft, d. h. als Konstituente seiner statistischen Organisation abgeleitet werden. Diese Eigenschaft ist nicht über alle Sätze des Texts gleichmäßig verteilt (so daß sie durch den univariaten Index der durchschnittlichen Satzlänge nur unvollständig charakterisiert wird), sondern variiert annahmegemäß in Abhängigkeit von konkurrierenden/kooperierenden Ordnungsparametern, welche die Textproduktion als stochastischen Prozess kontrollieren, dessen Zustände durch die Satzlängen konsekutiver Textpositionen (d. h. von Sätzen) repräsentiert werden. Dieser Prozess induziert eine Verteilung von Satzlängen, die mit Hilfe von Wahrscheinlichkeitsverteilungen theoretisch modelliert und anhand der Analyse weiterer Texte überprüft werden kann (vgl. Altmann 1988b, der die negative Binomialverteilung als Wahrscheinlichkeitsverteilung der Satzlänge in Texten ableitet; siehe ferner Art. Nr. 25). Die typische Schrittfolge quantitativer Textanalysen kann K vereinfachend gesprochen K wie folgt charakterisiert werden (vgl. Grotjahn 1979): (1) Hypothesenbildung; (2) Formalisierung (Indikatorbildung und Operationalisierung); (3) Datenerhebung und Datenanalyse; (4) Entscheidung (über Annahme oder Ablehnung eines Modells, einer Hypothese); (5) linguistische Interpretation (Rückübersetzung des numerischen Modells; Einordnung in ein Hypothesensystem, etc.). Die Methodik der QL ist insofern durch eine grundsätzliche Modellpluralität gekennzeichnet, als dieselbe empirische Verteilung mit mehreren, einander nicht zwangsläufig widersprechenden Modellen erfaßt werden kann, die möglicherweise als Spezialfälle eines allgemeineren Modells beschreibbar sind. Ferner sind Verteilungsmodelle vielfach von Parametern abhängig, die einerseits aufwendige Schätzungen und linguistische Interpretationen indu-

25. Eigenschaften der textuellen Einheiten und Systeme

zieren, andererseits aber Anpassungen an sozusagen pathologische Daten erleichtern, wobei (bei sonst gleicher Eignung und linguistischer Interpretation) das Modell mit der kleineren Parametermenge vorzuziehen ist.

5.

Textgesetze im Überblick

Das Erkenntnisinteresse der QTL besteht in der Erforschung von Regularitäten, denen die empirisch beobachtbaren quantitativen Eigenschaften und Relationen von Texteinheiten folgen. Die QTL verfolgt das Ziel, die Ausprägungen, Abhängigkeiten, Wechselwirkungen und Kausalzusammenhänge der Konstituenten der statistischen Textorganisation durch ein System von Gesetzesaussagen, d. h. mit Hilfe einer Texttheorie, zu beschreiben und zu erklären. Wie von Gesetzen wissenschaftlicher Disziplinen im Allgemeinen, so wird auch von Kandidaten für Textgesetze verlangt, daß sie durch empirische Tests bestätigt und mit anderen Gesetzen und Hypothesen systematisch, deduktiv verbunden werden (vgl. Altmann 1993). Die Erforschung von Textgesetzen komplettiert den deskriptiven und induktiven Bereich von Methode und Erkenntnisinteresse der QTL aus sprachtheoretischer Sicht. Wie im vorangehenden Kapitel erläutert wurde, werden Textgesetze in der Regel mit Hilfe von Wahrscheinlichkeitsverteilungen repräsentiert. Textgesetze sind keine Größen, die im Zuge von Prozessen der Textproduktionbzw. -rezeption Bewußtsein erlangen. Sprachteilnehmer besitzen nicht die Entscheidungsfreiheit, sich im Einklang oder Widerspruch zu Sprachgesetzen zu verhalten (vgl. Altmann/Köhler 1996). Der Geltungsbereich von Textgesetzen ist an die spontane, kontinuierliche Produktion/Rezeption vollständiger Texte gebunden (vgl. Altmann 1988b). Hieraus folgt im Umkehrschluß, daß Texte, für die ein Textgesetz nicht gilt, die Bedingungen der Spontaneität, Kontinuierlichkeit und Abgeschlossenheit nicht erfüllen. In diesem Fall schließt man auf die Wirkung unvorhergesehener, im Rahmen der Anwendungsbedingungen der Gesetze nicht berücksichtigter Randbedingungen (als das Ergebnis diskontinuierlicher Textproduktion, der Einflußnahme mehrerer Autoren, etc.), welche die Geltung des betroffenen Gesetzes aber nicht allgemein außer Kraft

335 setzen. Gilt ein Gesetz für einen geschlossenen Text, so muß es nicht für einen beliebigen Ausschnitt oder eine Stichprobe dieses Texts gelten. Darüber hinaus erläutert Orlov (1982a) die Unmöglichkeit repräsentativer Korpora, anhand derer die Gesetze einer fiktiven Sprachnorm zu untersuchen wären. Gesetze, die einzelne Texte erfüllen, beanspruchen keine Geltung für quasi normierte Texte, die aus der Mischung oder Konkatenation dieser Texte hervorgehen. Die Vorhersagefunktion von Textgesetzen bezieht sich daher auf einzelne, kohärente Texte. Im folgenden werden einige Textgesetze und statistische Regularitäten textueller Einheiten exemplarisch erläutert. 5.1. Die Häufigkeitsstruktur des Textvokabulars In den folgenden zwei Abschnitten werden die Gesetzmäßigkeiten zweier Verteilungen beschrieben, welche die Häufigkeitsstruktur des Vokabulars als Bestandteil ihrer statistischen Organisation modellieren: die Rangfrequenzverteilung sowie das Frequenzspektrum der Lexik (vgl. Art. Nr. 30). Den statistischen Zusammenhang von Rang und Frequenz thematisiert das Zipfsche Gesetz (vgl. Art. Nr. 10), demzufolge die Häufigkeitsstruktur von Texten gesetzmäßig mit dem Textumfang variiert. Die relativen Häufigkeiten der nach ihren Frequenzen geordneten Texteinheiten (Silben, Morpheme, Wörter, etc.) eines Texts weisen (beginnend mit Rang 1 für die häufigste Einheit) eine Ungleichverteilung in Form von Konzentrations- und Dispersionseffekten auf, denenzufolge eine kleine Gruppe häufiger Wörter in eine große Gruppe seltener Wörter fließend übergeht. Verteilungen dieser Art sind dadurch gekennzeichnet, daß zwar dieselbe Texteinheit in verschiedenen Texten unterschiedliche Ränge einnehmen kann, die Rangfrequenzverteilung ihrer Topologie nach aber invariant ist. Tuldava (1998) betrachtet Verteilungen dieser Art als Instanzen eines allgemeinen semiologischen (bzw. semiotischen) Präferenzgesetzes. Das Zipfsche Gesetz, das diesen Zusammenhang als Wahrscheinlichkeitsverteilung repräsentiert, hat die allgemeine Form einer Potenzfunktion mit negativem Exponenten (Tuldava 1998 enthält eine Übersicht zu alternativen Repräsentationen des Zipfschen Gesetzes und seinen Modifikationen/ Erweiterungen):

336

VI. Gebiete und Phänomene: Text / Fields and phenomena: text

Fi Z CiKγ bzw. pi Z k iKγ

(1)

Dabei ist Fi (pi Z Fi / N) die absolute (relative) Häufigkeit (als Schätzer für die Wahrscheinlichkeit) und i der betrachtete Rang. C Z k N, k, γ sind Parameter der Verteilung, N ist der Textumfang. Der Parameter γ bestimmt die Steigung der Geraden in bilogarithmischer Darstellung. Anhand der Diffed Fi / Fi rentialgleichung Z K γ ist ersichtdi / i lich, daß die relativen Veränderungen der Variablen Fi und i im Verhältnis konstant sind. Die Häufigkeit Fi nimmt also mit einer (anhand des Rangs i gemessenen) Geschwindigkeit ab, die proportional zum Wachstum des Vokabulars ist. Tuldava (1998) sieht im Zipfschen Gesetz, auf das er u. a. zur Untersuchung typologischer Unterschiede von Sprachen rekurriert, den Ausdruck eines allgemeineren Gesetzes des konstanten relativen Wachstums (hier: der Abnahme), wie es für eine Vielzahl semiotischer Phänomene kennzeichnend ist. Das Zipfsche Gesetz zeigt in der Repräsentation nach Gleichung (1) u. a. im Bereich hochfrequenter Einheiten typischerweise Abweichungen gegenüber empirischen Daten. Eine bessere Anpassung gelingt mit Hilfe der Mandelbrotschen Korrektur B als Bestandteil des Zipf-Mandelbrotschen Gesetzes: Fi Z C (i C B)Kγ ; pi Z k (i C B)Kγ

(2)

Dieses Gesetz ist mit einer Vielzahl textlinguistischer Fragen verbunden (vgl. Boroda/ Zörnig 1990; Tuldava (1998) erläutert, inwiefern das Zipf-Mandelbrotsche Gesetz zur Ermittlung des Textabdeckungsgrads von Wortformen herangezogen werden kann): Für welche Texteinheiten gilt das Gesetz und welche Werte nehmen seine Parameter für Einheiten welcher Sprachebene an? Welche Abhängigkeiten bestehen gegenüber anderen quantitativen Texteigenschaften oder auch Textsorten, Genre und Registern? Weiterhin ist zu fragen, ob das Zipf-Mandelbrotsche Gesetz nur für ganze Texte oder auch Textsegmente und beliebige Textausschnitte gilt. Letztere Frage wird unten unter Rekurs auf die Zipfsche Zahl erörtert. 5.2. Das Frequenzspektrum Mit der Rangfrequenzverteilung eng verwandt ist das Frequenzspektrum bzw. die Spektralverteilung der Häufigkeiten, die folgerichtig analoge Konzentrations- und Dis-

persionseffekte aufweist. Das Frequenzspektrum basiert auf der (rangierten) Gegenüberstellung der Häufigkeiten Fi mit der Anzahl m (Fi) von Texteinheiten, die diese Frequenz im untersuchten Text aufweisen. Eine Konzentration ist im Bereich der Wörter mit geringen Häufigkeiten zu beobachten. Wegen der Interdependenz von Rangfrequenzund Spektralverteilung kann das Zipf-Mandelbrotsche Gesetz auch auf das Frequenzspektrum bezogen werden. Es besitzt nun folgende Gestalt: m (F) Z c F K(1Cα)

(3)

Dabei ist m (F) die Anzahl der Wörter mit der Häufigkeit F. α Z 1 / γ (das γ stammt aus Gleichung (2) und c Z α (L K 1) / Kα (1 K Fmax ) sind Parameter, wobei L der Vokabularumfang und Fmax die Häufigkeit des häufigsten Wortes des betrachteten Texts ist. Um bessere Übereinstimmungen mit empirischen Daten zu erreichen, diskutiert Tuldava (1998) die Möglichkeit, (wie schon im Falle des Zipf-Mandelbrotschen Gesetzes) drei verschiedene Parameter γi, i Z 1, 2, 3, in Entsprechung zu den Abweichungen innerhalb der drei Stadien der Rangverteilung vorzusehen: für den Anfangs-, Mittelund Endteil. Eine andere Form zur analytischen Beschreibung der Spektralverteilung stammt von Herdan (vgl. Tuldava 1998), mit deren Hilfe versucht wird, auf den Umfang des Gesamtvokabulars von Autoren zu schließen. Die Anwendungsgebiete der Spektralverteilung (ebenso wie der Rangfrequenzverteilung) liegen u. a. im Bereich quantitativ-stilistischer und texttypologischer Analysen. 5.3. Die Zipfsche Zahl Z Orlov (1982a; 1982b) zeigt, daß das ZipfMandelbrotsche Gesetz nur für vollständige (kohärente) Texte bzw. Textsegmente gilt, nicht aber für beliebige Stichproben aus Texten (Orlovs Modell setzt u. a. die Homogenität von Texten voraus, derzufolge die Wahrscheinlichkeit von Texteinheiten unabhängig von der Textposition ist und also nicht von vorangehenden/folgenden Einheiten abhängt). Danach plant der Textproduzent sozusagen im voraus (unbewußt) eine (optimale) Textlänge K die sogenannte Zipfsche Zahl Z K, welche das Wachstum des Vokabularumfangs im Zuge der Textproduktion regelt. Aus dieser Steuerung resultiert im Erfolgsfall eine Rangfrequenzverteilung, die dem Zipf-Mandelbrotschen

337

25. Eigenschaften der textuellen Einheiten und Systeme

Gesetz entspricht und entsprechende (Differenzen benachbarter rangierter) Frequenzen von Einheiten des Textvokabulars aufweist. Von Verteilungen dieser Art weichen Stichproben als das Ergebnis der Mischung verschiedener Texte, für die folglich kein solcher Steuerungsprozess angenommen werden kann, zwangsläufig ab. Und also ist es nicht möglich, das Zipf-Mandelbrotsche Gesetz an Häufigkeitswörterbücher anzupassen, die auf der Grundlage mehrerer Texte gebildet werden. Der Zipfsche Umfang Z eines Texts ist der einzige Textumfang, bei dem dieser Text (bei gegebenem Textvokabular) dem Zipf-Mandelbrotschen Gesetz folgt. Mit Hilfe dieser Zahl leitet Orlov mehrere Parameter der Frequenzstruktur von Texten ab, und zwar den Vokabularumfang sowie das Frequenzspektrum der Lexik für beliebige Textumfänge N + Z. Nach Orlov ist jedem Text ein eigener Zipfscher Umfang zugeordnet (zur approximativen Ableitung von Z für Texte mit gegebenem Vokabularumfang v¯ (N) und Textumfang N siehe Orlov 1982b). Weicht der tatsächliche Umfang eines Texts von seiner Zipfschen Zahl Z ab, so erfüllt er nicht das Zipf-Mandelbrotsche Gesetz. Orlov verwendet Z als Maß der lexikalischen Konzentration bzw. des relativen Vokabularreichtums von Texten. Dazu zeigt er, daß von zwei Texten mit unterschiedlichen Z-Werten derjenige Text lexikalisch reicher ist, der ein größeres Z besitzt. Weicht die Länge eines Texts von seinem (angenommenen) Idealumfang ab, so schließt Orlov, daß dieser Text entweder nicht von einem Autor spontan und kontinuierlich erzeugt worden ist, oder daß er in Segmente (Teile, Kapitel, etc.) zu separieren ist, für die eigene Zipfsche Längen existieren. Das Konzept des Zipfschen Umfangs kann also dazu dienen, Hypothesen über die Existenz von Textsegmentgrenzen zu unterstützen. Orlov geht davon aus, daß lange Texte, die ihre Zipfsche Zahl übersteigen, vom jeweiligen Autor in Teile untergliedert werden, deren Längen wieder Zipfschen Umfängen entsprechen. Dabei nimmt Orlov an, daß die Produktions- bzw. Rezeptionskosten eines zu langsamen/schnellen Vokabularwachstums Textproduzenten von einem deutlichen Unterschreiten/Überschreiten des zugehörigen Z abhalten. Die Zipfsche Zahl steht daher in Zusammenhang mit der lexikalischen Abgeschlossenheit bzw. Vollständigkeit von Texten.

5.4. Vokabularumfang und Textumfang Die QL erforscht die Abhängigkeiten der quantitativen Eigenschaften von Sprachen. Im Bereich der Textlinguistik ist diesbezüglich die Abhängigkeit von Vokabular- und Textumfang vielfach untersucht worden (vgl. Altmann 1988a). Tuldava (1998) beschreibt das Anwachsen des Vokabularumfangs in Abhängigkeit vom Anwachsen der Textlänge als stochastischen Prozess, der vor dem Hintergrund des Prinzips der Begrenzung der lexikalischen Vielfalt die Auswahl zwischen alten, bereits verwendeten, und neuen Wörtern kontrolliert. Tuldava verwendet den Type-Token-Index L / N als ein Maß für die lexikalische Vielfalt von Texten, wobei L die Zahl der Types ist und N (d. h. der Textumfang) der Zahl der Tokens entspricht: während die mittlere Worthäufigkeit ansteigt, fällt L / N monoton mit steigendem Textumfang. Der Quotient L / N kann als Korrelat der Wahrscheinlichkeit für das Auftreten eines neuen Wortes und also der Vergrößerung des Vokabularumfangs von Texten aufgefaßt werden. Es stellt sich nun die Frage, welche Gestalt der quantitative Zusammenhang von Vokabular- und Textumfang besitzt. Ausgehend von der Annahme, daß die Rate der relativen Zunahme des Vokabularumfangs proportional zu jener des Textumfangs ist, leitet Altmann (1988a) folgende, auf Herdan (1966) zurückgehende Formel für den Zusammenhang beider Größen ab: L Z c N a, 0 ! a ! 1

(4)

Dabei ist c ein Parameter, der von der Art der Zählung von Wortformen abhängt, während a ein quantitatives Textcharakteristikum darstellt: je seltener bereits verwendete Wörter wiederholt werden, desto schneller ist der Zuwachs neuer Wörter und desto größer ist a. Wäre a Z 0 (und c Z 1), dann würde der betrachtete Text genau ein Type instanziieren. Der genaue Wert von a wird u. a. durch die Konkurrenz der Bedürfnisse nach Begrenzung des Textvokabulars (aus Gründen der Rezipierbarkeit im Kontext begrenzter Gedächtniskapazität) bzw. nach Vergrößerung des Vokabularumfangs (zur Vermeidung lexikalischer Redundanz) kontrolliert. Gleichung (4) ergibt gute Übereinstimmungen mit empirischen Verteilungen für kurze Texte bzw. für den Anfangsteil der Textproduktion. Tuldava (1998) beschreibt ein alternatives Modell, das zusätzlich die

338

VI. Gebiete und Phänomene: Text / Fields and phenomena: text

Tatsache berücksichtigt, daß die Geschwindigkeit des Vokabularzuwachses mit wachsendem Textumfang sinkt. Die Anwendung von Type-Token-Modellen reicht von der Schätzung des Gesamtvokabulars von Autoren bis hin zur Unterscheidung von Texten, Textsorten und Stilen. Dabei stellt sich jeweils die Frage, wie der Parameter a in Abhängigkeit von diesen Größen variiert. 5.5. Wiederholungen in Textblöcken Altmann/Burdinski (1982) beschreiben eine statistische Regularität der blockmäßigen Wiederholung von Wörtern in Texten, die sie als Frumkina-Gesetz bezeichnen. Hierzu betrachten sie Texte als in Blöcke (Passagen) gleicher Länge unterteilt und untersuchen die Vorkommen von Einheiten (etwa Wörtern) mit der Eigenschaft A (etwa die Zugehörigkeit zu einer bestimmten Wortart) in diesen Blöcken. Das Frumkina-Gesetz sagt aus, daß die Umfänge der Blöcke fx, die genau x Vorkommen von Einheiten mit der Eigenschaft A enthalten, eine Regularität erkennen lassen, die mit Hilfe einer Wahrscheinlichkeitsverteilung in Form der negativhypergeometrischen Verteilung modelliert werden kann. Sei hierzu p die Wahrscheinlichkeit des Vorkommens von Einheiten mit der Eigenschaft A und n die maximal mögliche Anzahl solcher Vorkommen im betrachteten Block. Unter Berücksichtigung der Tatsache, daß p in Abhängigkeit von der Textposition variiert, und der Annahme, daß p dabei der Beta-Verteilung folgt, ergibt sich die negativ-hypergeometrische Verteilung als Funktion zur Bestimmung der Wahrscheinlichkeit, daß in einem Block mit höchstens n Einheiten genau x Einheiten mit der Eigenschaft A vorkommen:

P (X Z x) Z

( )( ) ( ) KM x

KK C M nKx

, KK n x 2 {0, ... , n} , n 2 ⺞ , K O M O 0

(5)

Dabei können je nach Konvergenz der Parameter n, K, M, die stilistische Spezifika der betrachteten Wörter, Passagen, Texte und Textsorten abzubilden erlauben, die Binomial-, negative Binomial- und Poissonverteilung als Grenzfälle abgeleitet werden. Altmann/Burdinski (1982) testen dieses Verteilungsmodell anhand von Texten aus fünf

Sprachen. Piotrowski (1984) diskutiert mehrere Anwendungsmöglichkeiten einer Statistik der blockmäßigen Wiederholung, darunter die Identifikation thematisch dominanter Texteinheiten sowie die Messung stilistischer Eigenheiten von Texten. 5.6. Referenzstruktur Hřebíček (1985; 1992) beschreibt ein Modell der Verteilung phorischer Ausdrücke (Referenzen) in Texten, das auf der Hypothese beruht, wonach ihre Zahl in Abhängigkeit vom Vokabularumfang und der Zahl der Sätze eines Texts variiert K dabei unterscheidet er nicht zwischen Anaphern, Kataphern und Substitutionen: (i) Je größer die Wiederholungsrate der lexikalischen Einheiten eines Texts ist, je kleiner also der Betrag des Quotienten L / N der Zahl der Lexeme und Wortformen (als Modell der lexikalischen Textstruktur) ausfällt, desto weniger Referenzen enthält dieser Text. (ii) Je mehr Sätze ein Text enthält, desto mehr Referenzen kommen in ihm vor. Sei x ein Text mit der Zahl der Wortformen N. Sei ferner L die Zahl verschiedener Wortformen und k die Zahl der Sätze in x. Sei schließlich z die Zahl der Referenzen von x, dann implizieren die Hypothesen (i) und (ii) folgenden quantitativen Zusammenhang: z Z ak

L N

(6)

Dabei dient der Parameter a zur Berücksichtigung sprachlicher und stilistischer Charakteristika des untersuchten Texts. Hřebíček überprüft dieses Verteilungsmodell anhand von 10 Texten des Türkischen. Aus der empirischen Bestätigung seines Referenzgesetzes leitet Hřebíček die Vorhersage ab, wonach die Zahl der Referenzen in Einheiten wachsender Länge steigen muß, soll es sich bei diesen Einheiten um kohärente Texte handeln. Die textlinguistische Bedeutung des Referenzgesetzes liegt unter anderem darin, daß es die Wort- und Satzstruktur von Texten mit dem Begriff der Kohärenz in einen quantitativen Zusammenhang bringt. 5.7. Textaggregate Hřebíček (1993; 1995; vgl. Art. Nr. 26) untersucht eine Hypothese zur Segmentstruktur von Texten als Implikation des Menzerathschen Gesetzes (siehe Art. Nr. 47). Dieses Gesetz sagt folgendes aus: Je länger ein sprachliches Konstrukt ist, desto kürzer sind

25. Eigenschaften der textuellen Einheiten und Systeme

seine unmittelbaren Konstituenten. Hřebíček verfolgt das Ziel, mit Hilfe des Menzerathschen Gesetzes empirisch überprüfbare Hypothesen über die Existenz einer supra-sententiellen Sprachebene sogenannter Aggregate als unmittelbare Konstituenten von Texten abzuleiten. Dazu definiert er Aggregate lexikalisch: für eine gegebene lexikalische Einheit ist das zugehörige Aggregat gleich der Menge aller (möglicherweise diskontinuierlich geordneten) Sätze des betrachteten Texts, in denen diese Einheit vorkommt. Das Menzerathsche Gesetz macht folgende Vorhersagen: Je länger ein Text ist, desto kürzer sind seine Aggregate (gemessen an ihrer Kardinalität). Ferner: Je länger ein Aggregat ist, desto kürzer ist die mittlere Länge seiner Satzkonstituenten (gemessen an der Zahl ihrer Wortformen). Hypothesen dieser Art werden mit Hilfe der Gleichung y Z A xb

(7)

numerisch repräsentiert. Dabei ist y die mittlere Länge der Konstituenten und x die Länge des betrachteten Konstrukts gemessen an der Zahl seiner Konstituenten. A und b sind Konstanten. Negative Werte der Konstanten b bringen gerade obige Hypothesen zum Ausdruck. Hřebíček überprüft diese Hypothesen anhand eines Korpus türkischer Texte.

6.

Ausgesuchte Fragestellungen

Zu den Teilaufgaben der QTL zählen die Beschreibung, der Vergleich und die Klassifikation von Texten auf der Basis ihrer statistischen Organisation. Im Folgenden wird dieses Aufgabenspektrum anhand einer Auswahl quantitativer Ansätze näher charakterisiert. Hierzu werden teils ältere Ansätze vorgestellt, die zwar nicht den Stand der jeweiligen Forschung dokumentieren, dafür aber grundlegende Lösungsprinzipien exemplarisch vor Augen führen. Zu den hiervon betroffenen Aufgaben zählen unter anderem die quantitative Stilistik, der Vergleich von Texten anhand ihrer lexikalischen Organisation, ihre Klassifikation unter Rekurs auf Systeme quantitativer Texteigenschaften, die Bestimmung des Vokabularreichtums von Texten, die Analyse von Kohärenzphänomenen mit Hilfe quantitativer Methoden, die automatische Textsegmentierung sowie die Messung des Schwierigkeitsgrads von Texten.

339 6.1. Quantitative Stilistik Die Kernthese der quantitativen Stilistik lautet, daß stilistische Unterschiede von Autoren, Textgruppen oder Textsorten unter Rekurs auf die quantitativen Eigenschaften der betroffenen Texte gemessen werden können (vgl. Herdan 1966; Fucks 1968; Grotjahn 1979; Dolezˇel 1972; Pieper 1979; Tuldava 1995). Die quantitative Stilistik zielt auf eine deskriptiv exakte, objektiv wertende Text- bzw. Literaturwissenschaft (vgl. Fucks 1968). Sie geht von der Annahme aus, daß Stilunterschiede anhand von (nicht-deterministischen, nicht-regelbasierten) Tendenzen zur Verwendung von Ausdrucksarten beobachtet und mit Hilfe von Wahrscheinlichkeitsverteilungen beschrieben werden können. In diesem Sinne betrachtet die quantitative Stilistik den probabilistischen Charakter textueller Zusammenhänge als primäre Eigenschaft stilistischer Phänomene (vgl. Dolezˇel 1972). Die Operationalisierung des quantitativen Stilbegriffs setzt die Spezifikation jener Texteigenschaften voraus, die zur Differenzierung des Stils einzelner Autoren oder Autorengruppen dienen. In diesem Zusammenhang unterscheidet Dolezˇel (1972) subjektive, Autoren- bzw. Diskurskontext-bezogene und objektive, Sprachnorm-bezogene pragmatische Einflußfaktoren der Textproduktion. Dabei werden nur solche Texteigenschaften, die in Abhängigkeit von pragmatischen Faktoren der Textproduktion variieren und folglich die stilistische, autorenspezifische Differenzierung von Texten erlauben, als quantitative Stilcharakteristiken eingestuft (zur Unterscheidung von stationären und nicht-stationären Stilcharakteristiken siehe Grotjahn 1979). Der Stil eines Texts wird dann als die Gesamtheit seiner objektiv faßbaren, quantitativen Stilcharakteristiken definiert (vgl. Fucks 1968; Grotjahn 1979). Suprastilistische Eigenschaften, die bezogen auf die Menge untersuchter Texte eines bestimmten Zeitraums stabil sind K und also im Hinblick auf ein bestimmtes statistisches Zufallsmodell keine signifikanten Differenzen aufweisen K, werden nicht unter stilistischen Gesichtspunkten untersucht. Beispiele für quantitative Stilcharakteristika sind die durchschnittliche Wort- und Satzlänge, der Schachtelungsgrad von Sätzen, ihre Gliederung in (oder die Reihung von) Haupt- und Nebensätze(n), die Häufigkeiten einzelner Wortarten, die Anordnung grammatischer Elemente in Fol-

340

VI. Gebiete und Phänomene: Text / Fields and phenomena: text

gen, die Häufigkeiten von Übergängen zwischen Wortklassen, die Mischungsverhältnisse von Textmerkmalen, metrische Eigenschaften von Texten, ihre lexikalischen Profile, etc. (vgl. Fucks 1968; Pieper 1979). Teilaufgaben der quantitativen Stilistik bilden die quantitative Differenzierung von Individual-, Funktional- und Gattungsstilen, die Prüfung der Autorenschaft bzw. Echtheit von Texten, die chronologische Ordnung von Texten, die Bestimmung textueller Soziogramme, in denen sich Texte aufgrund ähnlicher Ausprägungen quantitativer Stilcharakteristiken vergesellschaften, die texttypologische Zuordnung von Texten zu Textgruppen (Textsorten, Registern, Genre, etc.) K wie etwa die quantitative Identifikation von Trivialliteratur K, die exakte Bestimmung metrischer Eigenschaften mit Hilfe von Metrikmaßen, die Bestimmung des Vokabularreichtums von Autoren u. v. a. m. (vgl. Herdan 1966; Fucks 1968; Wickmann 1972; Pieper 1979). Die statistische Stilanalyse sucht nach quantitativen, meßbaren (objektiven) Korrelaten qualitativer (subjektiver) Stilmerkmale, auf deren Grundlage die intersubjektive Überprüfbarkeit stilistischer Urteile gewährleistet werden kann. Nach Pieper (1979) strebt die quantitative Stilanalyse keine grundsätzliche Auflösung oder Ersetzung qualitativer Stilanalysen an. Vielmehr zielt sie auf eine Objektivierung bzw. Ergänzung der qualitativen Textanalyse (vgl. Tuldava 1995). 6.2. Zum Vokabularreichtum von Texten Ein naheliegendes Beispiel für eine quantitative Stileigenschaft bildet der Vokabularreichtum von Texten, der im einfachsten Fall als die Anzahl unterschiedlicher Wörter im Text definiert wird. Die Bemessung des Vokabularreichtums kann auf einfachen Indizes (wie beispielsweise dem Diversitätsoder Einmaligkeitsindex) oder auf Funktionen beruhen, welche die Dynamik des Vokabularwachstums bei wachsendem Textumfang berücksichtigen und daher den Vergleich von Texten unterschiedlicher Längen erlauben (zu einer Übersicht zu alternativen Verfahren siehe Tuldava 1998; Wimmer/Altmann 1999 erörtern grundlegende Fragestellungen und Probleme der Messung des Vokabularreichtums von Texten). Für den Vergleich kurzer Texte (mit einem Umfang von weniger als 10.000 Wortformen) schlägt Tul-

dava (1998) folgende Formel ersten Grades von Tornquist vor: LZ

aN NCb

(8)

wobei L die Zahl der Lexeme und N der Textumfang des betrachteten Texts ist. Aus stilistischer Sicht sind die (textspezifisch zu schätzenden) Parameter a und b bedeutsam: während a die Geschwindigkeit des Anwachsens der Lexik im Vergleich mit dem Anwachsen des Textumfangs bestimmt, spezifiziert der Parameter a K wegen aN limN/N Z a K als quantitatives StilNCb charakteristikum die Wachstumstendenz des Vokabulars des jeweiligen Texts. Mit Hilfe des für verschiedene Texte zu berechnenden Charakteristikums a kann der potentielle Reichtum (für N / N) der Lexik dieser Texte (im Sinne einer oberen Grenze) geschätzt und verglichen werden. Mit dem Verhältnis φ Z a / b, das die relative Geschwindigkeit des Vokabularwachstums ausdrückt K je größer φ ist, desto stärker wächst das Vokabular in den Anfangsstadien des Texts K leitet Tuldava ein weiteres quantitatives Stilcharakteristikum ab. Die anhand von Einzeltexten ermittelten Ausprägungen der Stilcharakteristika werden in einem zweiten Schritt auf Textgruppen (Individualstile, Funktionalstile, Genre, Textsorten) bezogen (vgl. Pieper 1979). Hierzu werden beispielsweise Mittelwerte der Ausprägungen einer Stileigenschaft in Textgruppen berechnet und als Indikatoren für gruppenspezifische Normwerte verwendet. Ausgehend von den Stileigenschaften a und φ diskutiert Tuldava mehrere Typen von Stilabweichungen, die gegenüber den jeweiligen Normwerten durch ein höheres (C), geringeres (K) oder gleichbleibendes (Z) a (bzw. φ) gekennzeichnet sind. So charakterisiert beispielsweise das Paar Ca / Kφ solche Texte, die gegenüber der Norm einen potentiell größeren Wortschatz aufweisen, der allerdings langsamer anwächst. Eine weitere Dimension zur Differenzierung von Untersuchungen des Vokabularreichtums betrifft die ausschließliche Betrachtung von Vorkommen bestimmter Wortarten oder Wortklassen. Schließlich kann die Frage des Reichtums von Texten auch auf Vorkommen von Einheiten anderer Ebenen sprachlicher Resolution bezogen werden.

25. Eigenschaften der textuellen Einheiten und Systeme

6.3. Textklassifikation Die automatische Textklassifikation verfolgt das Ziel, natürlichsprachliche Texte auf eine Menge von Kategorien abzubilden bzw. zu Klassen zu gruppieren, die u. a. durch thematische, funktionale oder stilistische Homogenität gekennzeichnet sind. Hierzu rekurrieren Klassifikationsverfahren auf Datenrepräsentationsmodelle, mit deren Hilfe die zu klassifizierenden Texte x als Vektoren / x von Meßwerten der jeweils berücksichtigten Klassifikationsdimensionen dargestellt werden (vgl. Manning/Schütze 1999). Aus der Sicht der QTL stellen Dimensionen dieser Art notwendigerweise Konstituenten der statistischen Textorganisation dar (vgl. Alekseev 1987). Die QTL fragt allgemein nach den typologischen bzw. textgruppendifferenzierenden Potentialen quantitativer Texteigenschaften. Ziel ist es, aufgrund dieser Eigenschaften zu entscheiden, welcher Textsorte (Genre oder Register) ein gegebener Text angehört bzw. welchen Homogenitätsgrad bestimmte Gruppen von Texten besitzen. In diesem Zusammenhang klassifizieren Liiv/Tuldava (1993) und Tuldava (1998) englischsprachige Texte verschiedener Textsorten (Dichtung, wissenschaftliche Texte, Pressetexte, etc.) unter Rekurs auf insgesamt zehn Charakteristika ihrer quantitativen Organisation. Hierzu verwenden sie Methoden der unscharfen Clusteranalyse, mit deren Hilfe überlappende Gruppen solcher Texte gebildet werden, deren Elemente aufgrund der untersuchten Charakteristika größere Ähnlichkeiten aufweisen als Einheiten verschiedener Cluster. Jedem Text wird ein Merkmalsvektor mit den Werten der betrachteten Texteigenschaften zugewiesen. Zu diesen Charakteristika zählen u. a. die mittlere Worthäufigkeit, der Konzentrationsindex sowie der Einmaligkeitsindex. Die Vektoren / x, / y bilden (als numerische Repräsentationen der Texte x, y) den Ausgangspunkt zur Berechnung einer Distanzmatrix unter Verwendung der Euklidischen Metrik d als Distanzmaß. Dabei wird der // Abstand d (x , y) der Vektoren / x, / y als Grad der Unähnlichkeit der Texte x, y interpretiert. Die resultierende Distanzmatrix dient als Ausgangspunkt für die unscharfe Clusteranalyse. Mit Hilfe von Dendrogrammen ordnet Tuldava (1998) die Ergebnisse einer hierarchischen Clusteranalyse baumartig an, wodurch Textgruppen verschiedener Agglomerationsstufen erkennbar werden. Weiter-

341 gehende Verfahren der Textklassifikation werden in Lebart/Salem/Berry (1998) und Manning/Schütze (1999) vorgestellt. 6.4. Die lexikalische Nähe von Texten Die Klassifikation von Texten setzt Verfahren zur Bestimmung der Ähnlichkeit von Aspekten ihrer statistischen Organisation voraus. In diesem Zusammenhang existiert eine Klasse von Verfahren, die unmittelbar an der lexikalischen Struktur der Texte ansetzen. Dabei werden Texte in dem Maße als lexikalisch verwandt eingestuft, als sie identische oder (syntagmatisch/paradigmatisch) ähnliche lexikalische Konstituenten aufweisen. Tuldava (1995) beschreibt mehrere Methoden zur Bestimmung der lexikalischen Nähe von Texten. Ausgehend von den Zahlen Vx, Vy verschiedener Wortformen in den Texten x, y und der Zahl C gemeinsamer Wortformen beider Texte berechnet Tuldava mehrere Indizes, deren Werte vom Vokabularumfang abhängen. So berechnet beispielsweise der Index R Z 2C / (Vx C Vy) 2 [0, 1] den Anteil des gemeinsamen Vokabulars C am durchschnittlichen Vokabularumfang beider Texte. Eine andere Methode zur Bestimmung der lexikalischen Nähe, welche die Worthäufigkeiten berücksichtigt, beruht auf der Vereinigung ihrer Vokabularien. Dazu geht Tuldava von der Nullhypothese aus, daß das Vokabular beider Texte x, y derselben, annahmegemäß homogenen Lexik (als das Ergebnis der Vereinigung beider Texte) entstammt. Ferner wird vorausgesetzt, daß im Falle einer homogenen Lexik die Teilhäufigkeiten der Wörter im vereinigten Text nach der Formel (p C q)F verteilt sind, wobei p (bzw. q) die Wahrscheinlichkeit dafür ist, daß ein zufällig gewähltes Wort des vereinigten Texts zur Stichprobe x (bzw. y) gehört. F ist die Häufigkeit des Wortes im Gesamttext. Aus dieser Verteilung können die theoretischen Wahrscheinlichkeiten der Teilhäufigkeiten der Wörter in den beiden Texten berechnet und mit den empirischen Werten verglichen werden. Ergibt sich eine signifikante Abweichung beider Verteilungen, so ist davon auszugehen, daß beide Texte lexikalisch heterogen sind. Nach Tuldava (1998) sind mit diesem Instrumentarium Rangordnungen abzuleiten, welche die Texte im Hinblick auf ihre lexikalische Nähe zum jeweils fokalen Text ordnen. Einen anderen Ansatz verfolgt Mehler (2002): Ausgehend von Vektorrepräsentationen von Wörtern werden Texte auch

342

VI. Gebiete und Phänomene: Text / Fields and phenomena: text

dann als ähnlich eingestuft, wenn sie nur wenige oder gar keine gemeinsamen Konstituenten aufweisen, dafür aber überwiegend solche Konstituenten besitzen, die paradigmatisch verwandt sind, so daß ihre Vektorrepräsentationen geringe Abstände aufweisen. Zu einem vergleichbaren Verfahren siehe Landauer/Dumais (1997). 6.5. Quantitative Aspekte der Kohärenz von Texten Kohäsion und Kohärenz bilden zwei grundlegende Kriterien der Textualität sprachlicher Einheiten. Es stellt sich die Frage, auf welche Weise insbesondere die semantischpragmatisch fundierte Kohärenz von Texten mit Hilfe quantitativer Methoden zu erfassen ist. Givo´n (1985) spricht in diesem Zusammenhang von der Notwendigkeit einer Integration quantitativer, statistischer Methoden in das Methodenarsenal der Diskursanalyse. In vergleichbarer Weise geht Karlgren (1975) von der Unabdingbarkeit stochastischer Modelle zur Beschreibung des Tendenzcharakters der Kohärenz textueller Einheiten aus. Die quantitative Analyse solcher Phänomene setzt jedoch ihre meßtheoretische Quantifizierung voraus. Bereits das Referenzgesetz von Hřebíček beruht auf einer quantitativen Analyse des Zusammenhangs von Wort- bzw. Satzstruktur und referenzieller Kohärenz (siehe Abschnitt 5.6.). Ein weiteres Beispiel für die quantitative Erfassung von Aspekten der textuellen Kohärenz findet sich in Marcus (1980), der die Kohäsion bzw. Kohärenz als Funktionen der Konnektivität graphentheoretischer Textrepräsentationen beschreibt, die auf syntaktischen bzw. semantischen Dependenzrelationen beruhen. So wird beispielsweise der Kohäsionsgrad eines Texts als die kleinste positive Zahl von Kanten bestimmt, deren Eliminierung die Konnektivität des Textgraphen aufhebt. Einen anderen Ansatz verfolgt Givo´n (1983b), der mehrere Maße zur Messung der thematischen, topikalen Kontinuität von Texten beschreibt, welche an den Vorkommen funktionaler Äquivalente zur Kodierung von Topik-Comment-Strukturen und ihren Diskurspositionen ansetzen. Dabei geht Givo´n von einer (aus Gründen effizienter Kommunikation notwendigerweise) dynamischen, imperfekten Korrelation von thematischen Strukturen und sprachlichen Kodierungsmitteln aus. Identifikation und Aufrechterhaltung von Topik-Comment-

Strukturen entfalten sich folglich in einem skalaren Kontinuum. Ausgehend von der Topik des jeweils fokalen Satzes bestimmt das Maß der referenziellen Distanz die Zahl der linksseitigen Sätze (clauses), die diesen Satz vom nächsten vorangehenden Satz mit derselben Topik trennen. Demgegenüber mißt das Maß der thematischen Persistenz (bzw. Wichtigkeit) die Zahl der rechtsseitigen Sätze mit thematischer Kontinuität. Anhand der quantitativen Analyse eines englischsprachigen Texts beobachtet Givo´n (1983c) Konzentrations- und Dispersionseffekte der relativen Häufigkeiten funktionaler Äquivalente zur Kodierung thematischer Kontinuität, wie sie typisch für Phänomene sprachlicher Diversifikation sind. Die zugehörige Verteilung korreliert mit der Verteilung der durchschnittlichen referenziellen Distanz (und Persistenz) der solcherart kodierten Topiken, was darauf schließen läßt, daß verschiedene Stufen thematischer (Dis-) Kontinuität und (Un-)Wichtigkeit mit der (nicht-deterministischen) Präferenz bestimmter Kodierungsmittel verbunden sind (vgl. Karlgren (1975), der von der Auswahl relevanter Wörter zur Identifikation von Thema-Rhema-Strukturen auf der Basis von Wortfrequenzverteilungen spricht). Inwiefern es sich bei diesen empirischen Verteilungen um den Ausdruck gesetzmäßiger Zusammenhänge handelt, ist im Rahmen der QTL zu untersuchen. Das Ziel einer quantitativen Analyse textueller Kohärenz besteht nicht allein in der taxonomischen Unterscheidung von Klassen von Kohärenzrelationen. Kohärenz wird als ein nichtdeterministisches, nicht-regelbasiertes Phänomen aufgefaßt, das in seinem Zustandekommen (in Abhängigkeit von anderen Konstituenten der statistischen Textorganisation) durch stochastische Gesetze kontrolliert wird. Mit dieser Auffassung sind zwei grundlegende Implikationen verbunden: (i) Es wird erwartet, daß die Verteilungen von Kohärenzrelationen in Texten die für sprachliche Phänomene typischen Konzentrations- und Dispersionseffekte aufweisen (vgl. Altmann/Köhler 1996). (ii) Kohärenz ist notwendigerweise ein graduelles Phänomen, das sich an der imperfekten Korrelation von Botschaft und Kode niederschlägt (hierbei handelt es sich um eine Auffassung, die bereits Halliday/Hasan (1976) vertreten).

25. Eigenschaften der textuellen Einheiten und Systeme

6.6. Textsegmentierung Im Rahmen der automatischen Textsegmentierung geht es um die Suche nach linguistisch interpretierbaren, quantitativen Kriterien zur Ermittlung von Textsegmenten (oberhalb der Satzebene), deren Überprüfung an einen Automaten delegiert werden kann. Die QTL fragt, unter welchen quantifizierbaren Bedingungen die überdurchschnittliche Klumpung von Texteinheiten als Indiz dafür zu werten ist, daß diese Einheiten innerhalb eines Textabschnitts vorkommen, der von seiner Umgebung als (thematisch, stilistisch, autorenschaftlich, funktional, etc.) homogenes Textsegment separierbar ist. Ein einfaches quantitatives Segmentierungsverfahren stellen Dannhauer/Wickmann (1972) vor. Ihr Modell beruht auf der Hypothese, dass affine Lexeme in Texten signifikant geringere Distanzen aufweisen als repugnante Lexeme. Die signifikante überdurchschnittliche Distanz der Vorkommen affiner Lexeme wird als Indiz für die Existenz einer Segmentgrenze gewertet: seien xi, xj affine Lexeme, die zu der Sorte x zusammengefaßt werden, deren Vorkommens(wi Cwj) gewahrscheinlichkeit durch px Z w schätzt wird. Dabei ist w der Textumfang und wi die Häufigkeit von xi. Der zu segmentierende Text wird nun als Folge von Einheiten der Sorte x und x¯ (i. e. Wortformen, die weder xi noch xj zuzuordnen sind) aufgefaßt. Unter der Annahme der Unabhängigkeit der Sorten x, x¯ wird die Wahrscheinlichkeit P (d), mit der nach einem Vorkommen der Sorte x ein Element derselben Sorte in einem Abstand der Länge d vorkommt, mit P (d) Z (1 K px)d K 1 px identifiziert. Setzt man nun die Wahrscheinlichkeit dafür, daß dieser Abstand d größer ist als die gesuchte Schranke dS für Textsegmente, deren Grenzen durch Elemente der Sorte x markiert werden, gleich α, das formal einer Irrtumswahrscheinlichkeit in einem statistischen Testverfahren entspricht, so läßt sich die Schranke dS wie folgt berechnen: dS Z

log α log (1 K px)

(9)

Die Wahrscheinlichkeit eines Vorkommens der Sorte x in einem Abstand von maximal dS Wortformen nach einem Vorkommen derselben Sorte beträgt dann 1 K α. Ist der beobachtete Abstand zweier ununterbro-

343 chener Vorkommen der Sorte x größer als dS, dann wird eine Segmentgrenze zwischen ihnen gezogen. Es besteht grundsätzlich die Möglichkeit, anstelle der Funktion P (d) andere Funktionen zur Berechnung der Wahrscheinlichkeit von Distanzen ähnlicher Texteinheiten zu verwenden (vgl. Zörnig 1984a; 1984b). Darüber hinaus können Sorten von Texteinheiten betrachtet werden, die mehr als zwei Elemente umfassen. Ein weitergehendes Textsegmentierungsverfahren, das sich an dem Begriff der lexikalischen Kohäsion orientiert, beschreiben Kozima/Furugori (1994). 6.7. Die Lesbarkeit von Texten Das Ziel der quantitativen Lesbarkeitsforschung (vgl. Art. Nr. 64) besteht in der Aufdeckung des Zusammenhangs von Schwierigkeitsgrad und statistischer Textorganisation. Die QTL sucht nach objektiven, auf quantitativen Texteigenschaften basierenden Kriterien zur Bemessung der Lesbarkeit (bzw. Komplexität) von Texten, mit deren Hilfe subjektive Lesbarkeitskriterien, die auf dem introspektiven Urteil (oder Leseverhalten) von Rezipienten beruhen, sukzessive ersetzt (zumindest aber ergänzt) werden sollen. Tuldava (1993a; 1993b) diskutiert eine Reihe von Indizes zur Bemessung des Schwierigkeitsgrads von Texten, die im Kern auf zwei Hypothesen beruhen (vgl. Mikk/Elts (1993), Mikk (1995) und Elts/Mikk (1996), welche die Frage nach den optimalen Ausprägungen quantitativer Texteigenschaften K wie etwa Wort- oder Satzlänge K in Abhängigkeit von unterschiedlichen Lesergruppen untersuchen): (i) Von zwei Texten derselben Länge ist jener Text (tendenziell) komplexer, der einen größeren Vokabularumfang besitzt. (ii) Je länger die Konstituenten einer bestimmten Sprachebene (Wortebene, Satzebene, etc.) sind, desto komplexer ist der Text. Tuldava diskutiert u. a. den Type-Token-Index, den Einmaligkeitsindex, das kumulative lexikalische Spektrum V1 .. n / N (d. h. das Verhältnis der Zahl der Wörter, die genau 1, 2, .... oder n mal vorkommen, zum jeweiligen Textumfang) sowie den Konzentrationsindex als Maße des Vokabularreichtums. Ausgehend vom Zipfschen Gesetz und seiner Repräsentation nach Gleichung (1) unterscheidet Tuldava weiterhin drei Häufigkeitszonen, denen unterschiedliche Parameter γ1, γ2, γ3 zugeordnet sind, die im Bereich der Wörter hoher, mittlerer und niedriger Frequenz die

344

VI. Gebiete und Phänomene: Text / Fields and phenomena: text

Steigung der Kurve in bilogarithmischer Darstellung festlegen. Je kleiner der Parameter γ3 des Bereichs der seltenen Wörter ausfällt, desto größer ist der Anteil dieser Wörter im Text, desto komplexer ist folglich seine lexikalische Varietät. Schließlich betrachtet Tuldava den Index der objektiven (Ebene der) Textschwierigkeit: R Z ¯i ln ¯j

(10)

R steht für den Lesbarkeitsgrad, ¯i für die mittlere Wortlänge in Silben und ¯j für die mittlere Satzlänge in Wörtern des betrachteten Texts. Tuldava (1993b) diskutiert die Möglichkeit, mit Hilfe von R Zonen unterschiedlicher Lesbarkeit zu unterscheiden, auf deren Grundlage Texte vergleichbaren Schwierigkeitsgrads gruppiert werden können.

7.

Anwendungen

Über die im vorangehenden Abschnitt erläuterten Fragestellungen hinaus besteht eine Vielzahl von Anwendungsmöglichkeiten der QTL, die anhand dreier primär texttechnologisch ausgerichteter Beispiele abschließend skizziert werden sollen (zu quantitativen Verfahren der Textanalyse siehe Burgess/Livesay/Lund 1999; Landauer/Dumais 1997; Lebart/Salem/Berry 1998; Mehler 2001; Mehler 2002; Piotrowski 1984; Schütze 1997; siehe auch Manning/Schütze 1999). (1) Im Bereich computerlinguistischer Ansätze wird vielfach die Frage untersucht, auf welche Weise die paradigmatische Ähnlichkeit (bzw. die Similaritätsassoziation) von Wörtern auch dann numerisch zu bewerten ist, wenn diese nur selten, oder im Extremfall gar nicht kookkurrieren. Durch Anwendung eines Maßes zur Bemessung solcher Ähnlichkeiten kann für jedes untersuchte Wort eine Verteilung bestimmt werden, die nun nicht mehr, wie im Falle von Rangfrequenzverteilungen, Häufigkeiten, sondern Ähnlichkeitswerte rangiert. Auf der Grundlage solcher Rangähnlichkeitsverteilungen ergeben sich zwei grundsätzliche Fragen: Unterliegen diese Verteilungen vergleichbaren Gesetzmäßigkeiten wie etwa die Häufigkeitsverteilungen von Wortbedeutungen, die im Rahmen der lexikalischen Diversifikation untersucht werden? Können, ähnlich wie im Falle des Zipf-

schen Gesetzes, Zonen unterschieden werden, für die eigene Verteilungsparameter zu veranschlagen sind? Im Falle einer positiven Antwort dieser Fragen ergäbe sich die Möglichkeit, die Auswahl von Ähnlichkeitsmaßen aufgrund texttheoretischer Kriterien zu steuern. (2) Im Rahmen des Information Retrieval werden Gewichtungsfunktionen dazu verwendet, die Eignung von Termen als Deskriptoren von Texten zu bewerten. Salton/McGill (1987) untersuchen eine Reihe von Gewichtungsfunktionen, die im Sinne der Retrievalfunktionen (recall und precision) gute Retrieval-Ergebnisse erbringen. Aus sprachwissenschaftlicher Sicht ist hiermit das Problem verbunden, daß der verfolgte quantitative Ansatz funktioniert, ohne daß hierfür eine linguistische Interpretation bzw. Begründung bereitsteht. Es stellt sich nun die Frage, ob mit Hilfe der QTL Kriterien zu ermitteln sind, auf deren Grundlage linguistisch interpretierte Gewichtungsfunktionen abgeleitet werden können. Salton/McGill (1987) stellen bereits eine Gewichtungsfunktion vor, die auf dem Zipfschen Gesetz beruht. Ferner ist zu fragen, inwiefern beispielsweise das Wissen um die Verteilungen inhaltsspezifischer bzw. unspezifischer Wörter (vgl. Piotrowski 1984; Orlov 1995) zur Eingrenzung solcher Wortgruppen beiträgt, die entweder gar nicht oder nur in geringem Umfang an der Generierung von Deskriptoren beteiligt werden. (3) Die Entwicklung neuer Medien führt zu einer Erweiterung des Gegenstandsbereich der Textlinguistik. Aus der Sicht der QTL stellt sich die Frage, welche grundlegenden Gesetzmäßigkeiten sprachlicher Strukturen auch auf der Ebene hypertextueller Einheiten Geltung besitzen. In diesem Zusammenhang weisen Cooley/Mobasher/Srivastava (1999) darauf hin, daß das Zeitverhalten von Internetzugriffen mit Hilfe von Verteilungen beschrieben werden kann, die Konzentrations- und Dispersionseffekte erkennen lassen, wie sie das Zipfsche Gesetz beschreibt: neben einer Menge hochfrequentierter Seiten, auf die sehr kurz zugegriffen wird, existiert eine Menge selten frequentierter Seiten, auf die sehr lange zugegriffen wird, wobei ein fließender Übergang zwischen beiden Be-

25. Eigenschaften der textuellen Einheiten und Systeme

reichen beobachtbar ist. Dieses erwartbare Ergebnis wirft die weitergehende Frage auf, ob mit Hilfe von Methoden der QTL das Verhalten von Rezipienten hypertextueller Einheiten genauer vorhergesagt werden kann und welche Empfehlungen für die Produktion von Hypertexten hieraus abzuleiten sind. Vor dem Hintergrund dieser Überlegungen ergibt sich die weitergehende Frage, inwieweit die quantitative Textlinguistik zur theoretischen Fundierung texttechnologischer Ansätze beitragen kann, so daß von einer quantitativen Texttechnologie zu sprechen ist.

8.

Ausblick

Die quantitative Textlinguistik steht am Anfang der Entwicklung einer Texttheorie (vgl. Altmann 1988a; Hřebíček/Altmann 1993b). Neben der Aufdeckung weiterer Textgesetze und ihrer texttheoretischen Integration bildet die Erforschung weiterer Typen der Wiederholung in Texten eines ihrer grundlegenden Forschungsziele. Eine bedeutende Gruppe von Konstituenten der statistischen Textorganisation bilden mehrstellige homogene und heterogene Relationen zur Manifestation der Zusammenhangsstruktur von Texten. Ziel wird es sein, die Begriffe der Kohäsion und Kohärenz anhand der Quantifizierung von Texteigenschaften und Textrelationen numerisch zu rekonstruieren. Schließlich beruht die Unterscheidung von Texttopologie, Textalgebra und Textstatistik auf keinem unüberbrückbaren, ontologischen und erkenntnistheoretischen Gegensatz. Die Konvergenz dieser unterschiedlichen Disziplinen zur Analyse der Zusammenhangs-, Verknüpfungs- und Repetitionsstrukturen textueller Einheiten in einem umfassenden, quantitativ fundierten, algebraisch operierenden, empirisch abgesicherten und theoretisch orientierten Ansatz kann als weitergehendes Ziel einer mathematisch ausgerichteten Textwissenschaft verstanden werden.

9.

Literatur (in Auswahl)

345 Altmann, Gabriel (1988b), Verteilungen der Satzlängen. In: Glottometrika 9. (Hrsg. Klaus-Peter Schulz). Bochum: Brockmeyer, 147K161. Altmann, Gabriel (1992), Two models for word association data. In: Glottometrika 13. (Hrsg. Burghard Rieger). Bochum: Brockmeyer, 105K 120. Altmann, Gabriel (1993): Science and Linguistics. In: Contributions to Quantitative Linguistics. (Hrsg. Reinhard Köhler/Burghard Rieger). Dordrecht: Kluwer, 3K10. Altmann, Gabriel (1995), Die Natur der Spracheinheiten. In: Musikometrika 6. (Hrsg. Moisei G. Boroda). Bochum: Brockmeyer, 1K12. Altmann, Gabriel/Burdinski, Violetta (1982), Towards a law of word repetitions in text-blocks. In: Glottometrika 4. (Hrsg. Werner Lehfeldt/Udo Strauß). Bochum: Brockmeyer, 146K167. Altmann, Gabriel/Köhler, Reinhard (1996), „Language Forces“ and Synergetic Modelling of Language Phenomena. In: Glottometrika 15. (Hrsg. Peter Schmidt). Bochum: Brockmeyer, 62K76. Barwise, Jon/Perry, John (1983): Situations and Attitudes. Cambridge: MIT Press. Beaugrande, Robert-Alain de (1980), Text, Discourse, and Process. Toward a Multidisciplinary Science of Texts. Norwood: Ablex. Beaugrande, Robert-Alain de (1997), New Foundations for a Science of Text and Discourse: Cognition, Communication, and the Freedom of Access to Knowledge and Society. Norwood: Ablex. Beaugrande, Robert-Alain de/Dressler, Wolfgang Ulr. (1981), Einführung in die Textlinguistik. Tübingen: Niemeyer. Bense, Max (1998), Ausgewählte Schriften. Band 3. Ästhetik und Texttheorie. Stuttgart u. a.: Metzler. Boroda, Moisei G. (1994): Complexity Oscillations in a Coherent Text: Towards the Rhythmic Foundations of Text Organization. In: Journal of Quantitative Linguistics 1 (1), 87K97. Boroda, Moisei G./Dolinskij, V. A. (1988), Problems of Quantitative Text Analysis. In: Glottometrika 9. (Hrsg. Klaus-Peter Schulz). Bochum: Brockmeyer, 135K145. Boroda, Moisei G./Zörnig, Peter (1990): ZipfMandelbrot’s Law in a Coherent Text: Towards the Problem of Validity. In: Glottometrika 12. (Hrsg. Rolf Hammerl). Bochum: Brockmeyer, 41K60. Brainerd, Barron (1976), On the Markov Nature of the Text. In: Linguistics 176, 5K30.

Alekseev, Pavel M. (1987), Quantitative Typology of Texts. In: Glottometrika 8. (Hrsg. Ingeborg Fickermann). Bochum: Brockmeyer, 202.

Brinker, Klaus (1992), Linguistische Textanalyse. Eine Einführung in Grundbegriffe und Methoden. Berlin: Erich Schmidt.

Altmann, Gabriel (1988a), Wiederholungen in Texten. Bochum: Brockmeyer.

Burgess, Curt/Livesay, Kevin/Lund, Kay (1999): Exploration in Context Space: Words, Sentences,

346

VI. Gebiete und Phänomene: Text / Fields and phenomena: text

Discourse. In: Discourse Processes 25 (2&3), 211K257. Cooley, Robert/Mobasher, Bumshad/Srivastava, Jaideep (1999), Data Preparation for Mining World Wide Web Browsing Patterns. In: Journal of Knowledge and Information Systems 1 (1), 5K32. Czyz˙akowski, W./Piotrowski, Raijmund G. (1993): Über den gegenwärtigen Stand der automatischen Textverarbeitung in der Forschungsgruppe „Sprachstatistik“ (Zum Problem des linguistischen Automaten). In: Glottometrika 14. (Hrsg. Gabriel Altmann). Trier: Wissenschaftlicher Verlag, 161K 189. Dannhauer, Heinz-Martin/Wickmann, Dieter (1972), Segmentierung eines fortlaufenden Prosatextes zur Bestimmung semantischer Umgebungsfelder. In: Zeitschrift für Literaturwissenschaft und Linguistik 8, 44K49. Dolezˇel, Lubomír (1972), Ein Begriffsrahmen für die statistische Stilanalyse. In: Literaturwissenschaft und Linguistik. Ergebnisse und Perspektiven. Band 1. Grundlagen und Voraussetzungen. (Hrsg. J. Ihwe). Frankfurt am Main: Athenäum, 253K273. Elts, Jaanus/Mikk, Jaan (1996), Determination of Optimal Values of Text Characteristics. In: Journal of Quantitative Linguistics 3 (2), 144K151. Fischer, Walther L. (1970), Mathematik und Literaturtheorie. Versuch einer Gliederung. In: Sprache im technischen Zeitalter 34, 106K120. Fischer, Walther L. (1975), Mathematische Texttheorie. In: Grundzüge der Literatur- und Sprachwissenschaft. Band 1: Literaturwissenschaft. (Hrsg. H. L. Arnold/V. Sinemus). München: Deutscher Taschenbuch Verlag, 44K61. Fucks, Wilhelm (1968), Nach allen Regeln der Kunst. Diagnosen über Literatur, Musik, bildende Kunst K die Werke, ihre Autoren und Schöpfer. Stuttgart: Deutsche Verlags-Anstalt. Givon, Talmy (Hrsg.), Topic Continuity in Discourse: A Quantitative Cross-Language Study. Amsterdam u. a.: Benjamins, 1983a. Givon, Talmy (1983b), Topic Continuity in Discourse: an Introduction. In: Givon 1983a, 1K41. Givon, Talmy (1983c), Topic Continuity in Spoken English. In: Givon 1983a, 343K363. Givon, Talmy (1985), Introduction. In: Text 5 (1K2), Special Issue: Quantified Studies in Discourse, 1K6. Grotjahn, Rüdiger (1979), Linguistische und statistische Methoden in Metrik und Textwissenschaft. Bochum: Brockmeyer. Halliday, Michael A. K. (1991a), Towards Probabilistic Interpretations. In: Functional and Systemic Linguistics. (Hrsg. E. Ventola). Berlin u. a.: Mouton de Gruyter, 39K61. Halliday, Michael A. K. (1991b), Corpus Studies and Probabilistic Grammar. In: English Corpus

Linguistics. Studies in Honour of Jan Svartvik. (Hrsg. K. Aijmer/B. Altenberg). London u. a.: Longman, 30K43. Halliday, Michael A. K./Hasan, Ruqaiya (1976), Cohesion in English. London u. a.: Longman. Herdan, Gustav (1964), Quantitative Linguistics. London: Butterworths. Herdan, Gustav (1966), The Advanced Theory of Language as Choice and Chance. Berlin u. a.: Springer. Hřebíček, Ludeˇk (1985), Text as a Unit and CoReferences. In: Linguistic Dynamics. Discourses, Procedures and Evolution. (Hrsg. T. T. Ballmer). Berlin u. a.: de Gruyter, 190K198. Hřebíček, Ludeˇk (1992), Text in Communication: Supra-Sentence Structures. Bochum: Brockmeyer. Hřebíček, Ludeˇk (1993), Text as a Construct of Aggregations. In: Contributions to Quantitative Linguistics. (Hrsg. R. Köhler/B. Rieger). Dordrecht: Kluwer, 33K39. Hřebíček, Ludeˇk (1995), Text Levels. Language Constructs, Constituents and the Menzerath-Altmann Law. Trier: Wissenschaftlicher Verlag. Hřebíček, Ludeˇk (1996), Word Associations and Text. In: Glottometrika 15. (Hrsg. P. Schmidt). Trier: Wissenschaftlicher Verlag, 96K101. Hřebíček, Ludeˇk/Altmann, Gabriel (Hrsg.), Quantitative Text Analysis. Trier: Wissenschaftlicher Verlag, 1993a. Hřebíček, Ludeˇk/Altmann, Gabriel (1993b), Prospects of Text Linguistics. In: Hřebíček/Altmann 1993a, 1K28. Karlgren, Hans (1975), Text Connexitivity and Word Frequency Distribution. In: Style and Text. Studies Presented to Nils Erik Enkvist. (Hrsg. H. Ringbom/A. Ingberg/R. Norrman/K. Nyholm/R. Westman/K. Wikberg), Trelleborg: Spra˚kförlaget Skriptor, 335K348. Köhler, Reinhard (1983), Markov-Ketten und Autokorrelation in der Sprach- und Textanalyse. In: Glottometrika 5. (Hrsg. R. Köhler/J. Boy). Bochum: Brockmeyer, 134K167. Köhler, Reinhard (1986), Zur linguistischen Synergetik: Struktur und Dynamik der Lexik. Bochum: Brockmeyer. Köhler, Reinhard (1997), Semiotik und Synergetik. In: Semiotik. Ein Handbuch zu den Grundlagen von Natur und Kultur. (Hrsg. R. Posner/K. Robering/Th. Sebeok). Berlin: de Gruyter. Köhler, Reinhard/Galle, Matthias (1993), Dynamic Aspects of Text Characteristics. In: Hřebíček/ Altmann 1993a, 46K53. Kozima, Hideki/Furugori, Teiji (1994): Segmenting Narrative Text into Coherent Scenes. In: Literary and Linguistic Computing 9 (1), 13K19. Landauer, Thomas K./Dumais, Susan T. (1997), A Solution to Plato’s Problem: The Latent Semantic

25. Eigenschaften der textuellen Einheiten und Systeme Analysis Theory of Acquisition, Induction, and Representation of Knowledge. In: Psychological Review 104 (2), 211K240. Lebart, Ludovic/Rajman, Martin (2000): Computing Similarity. In: Handbook of Natural Language Processing. (Hrsg. R. Dale/H. Moisl/H. Somers). New York: Dekker, 477K505. Lebart, Ludovic/Salem, André/Berry, Lisette (1998), Exploring Textual Data. Dordrecht u. a.: Kluwer. Liiv, Heino/Tuldava, Juhan (1993): On Classifying Texts with the Help of Cluster Analysis. In: Quantitative Text Analysis. (Hrsg. L. Hřebíček/G. Altmann). WVT: Trier, 253K262. Mandelbrot, Benoit (1961), On the Theory of Word Frequencies and on Related Markovian Models of Discourse. In: Structure of Language and its Mathematical Aspects. (Hrsg. R. Jakobson). Providence: American Mathematical Society, 190K219. Manning, Christopher D./Schütze, Hinrich (1999), Foundations of Statistical Natural Language Processing. Cambridge: MIT Press. Marcus, Solomon (1980), Textual Cohesion and Textual Coherence. In: Revue romaine de linguistique 25 (2), 101K112. Mehler, Alexander (2001): Textbedeutung. Zur prozeduralen Analyse und Repräsentation struktureller Ähnlichkeiten von Texten. Sprache, Sprechen und Computer K Computer Studies in Language and Speech Bd. 5. Frankfurt am Main: Peter Lang. [Zugl. Dissertation Universität Trier]. Mehler, Alexander (2002): Hierarchical Orderings of Textual Units. In: Proceedings of the 19th International Conference on Computational Linguistics (COLING 2002), August 24KSeptember 1, 2002, Taipei, Taiwan. San Francisco: Morgan Kaufmann, 646K652. Mehler, Alexander (2004a): Quantitative Methoden. In: Texttechnologie. Perspektiven und Anwendungen. (Hrsg. H. Lobin/L. Lemnitzer). Tübingen: Stauffenburg-Verlag, 83K107. Mehler, Alexander (2004b): Textmining. In: Texttechnologie. Perspektiven und Anwendungen. (Hrsg. H. Lobin/L. Lemnitzer). Tübingen: Stauffenburg-Verlag, 329K352. Mehler, Alexander (2004c): Textmodellierung: Mehrstufige Modellierung generischer Bausteine der Textähnlichkeitsmessung. In: Automatische Textanalyse: Systeme und Methoden zur Annotation und Analyse natürlichsprachlicher Texte. (Hrsg. A. Mehler/H. Lobin). Wiesbaden: Verlag für Sozialwissenschaften, 101K120. Mikk, Jaan (1995), Methods for Determining Optimal Readability of Texts. In: Journal of Quantitative Linguistics 2 (2), 125K132. Mikk, Jaan/Elts, Jaanus (1993), Comparison of Texts on Familiar or Unfamiliar Subject Matter. In: Hřebíček/Altmann 1993a, 228K238.

347 Nöth, Winfried (1975), Homeostasis and Equilibrium in Linguistics and Text Analysis. In: Semiotica 14, 222K244. Nöth, Winfried (1978), Systems Analysis of Old English Literature. In: A Journal for Descriptive Poetics and Theory of Literature 3, 117K137. Nöth, Winfried (1983), Systems Theoretical Principles of the Evolution of the English Language and Literature. In: Current Topics in English Historical Linguistics. (Hrsg. M. Davenport/E. Hansen/H. F. Nielsen). Odense: University Press, 103K122. Nöth, Winfried (1990), Systems Theory and Semiotics. In: Semiotics in the individual Sciences. Part II. (Hrsg. W. A. Koch). Bochum: Brockmeyer, 536K557. Oomen, Ursula (1971), Systemtheorie der Texte. In: Folia Linguistica 1, 12K34. Orlov, Jurij K./Boroda, Moisei G./Nadarejsˇvili, I. Sˇ. (Hrsg.), Sprache, Text, Kunst. Quantitative Analysen. Bochum: Brockmeyer, 1982. Orlov, Jurij K. (1982a), Linguostatistik: Aufstellung von Sprachnormen oder Analyse des Redeprozesses? (Die Antinomie „Sprache-Rede“ in der statistischen Linguistik). In: Orlov/Boroda/ Nadarejsˇvili 1982, 1K55. Orlov, Jurij K. (1982b), Ein Modell der Häufigkeitsstruktur des Vokabulars. In: Orlov/Boroda/ Nadarejsˇvili 1982, 118K192. Orlov, Jurij K. (1995): A Statistical Model of Homogeneous Text and its Possibilities in Text Study. In: Journal of Quantitative Linguistics 2 (3), 248K257. Peirce, Charles S. (1991), Naturordnung und Zeichenprozess. Schriften über Semiotik und Naturphilosophie. Mit einem Vorwort von Ilya Prigogine. Frankfurt am Main: Suhrkamp. Phillips, Martin (1985), Aspects of Text Structure. An Investigation of the Lexical Organisation of Text. Amsterdam: North-Holland. Pieper, Ursula (1979), Über die Aussagekraft statistischer Methoden für die linguistische Stilanalyse. Tübingen: Narr. Piotrowski, Raijmund (1984), Text K Computer K Mensch. Bochum: Brockmeyer. Piotrowski, Raijmund (1997): Text Informational Estimates and Synergetics. In: Journal of Quantitative Linguistics 4 (1K3), 232K243. Salton, Gerard/McGill, Michael J. (1987), Information Retrieval K Grundlegendes für Informationswissenschaftler. Hamburg: McGraw-Hill. Schütze, Hinrich (1997): Ambiguity resolution in language learning: computational and cognitive models. CSLI Lecture Notes, Bd. 71, Stanford: CSLI Publications. Strauß, U./Sappok, Ch./Diller, H. J./Altmann, G. (1984): Zur Theorie der Klumpung von Textenti-

348

VI. Gebiete und Phänomene: Text / Fields and phenomena: text

täten. In: Glottometrika 7, Bochum: Brockmeyer, 65K80. Strohner, Hans (1990), Textverstehen. Kognitive und kommunikative Grundlagen der Sprachverarbeitung. Opladen: Westdeutscher Verlag. Strohner, Hans/Rickheit, Gert (1990), Kognitive, kommunikative und sprachliche Zusammenhänge: Eine systemtheoretische Konzeption linguistischer Kohärenz. In: Linguistische Berichte 125, 3K24. Stubbs, Michael (1996), Text and Corpus Analysis. Computer-Assisted Studies of Language and Culture. Cambridge: Blackwell Publishers. Tuldava, Juhan (1993a), The Statistical Structure of a Text and its Readability. In: Hřebíček/Altmann 1993a, 215K227. Tuldava, Juhan (1993b), Measuring Text Difficulty. In: Glottometrika 14. (Hrsg. G. Altmann). Bochum: Brockmeyer, 69K81. Tuldava, Juhan (1995), Methods in Quantitative Linguistics. Trier: Wissenschaftlicher Verlag. Tuldava, Juhan (1998), Probleme und Methoden der quantitativ-systemischen Lexikologie. Trier: Wissenschaftlicher Verlag.

Wickmann, Dieter (1972): Urteilsstruktur und Signifikanzschwelle. Quantifizierung eines nichtnumerischen Problems K Statistik zur unbekannten Verfasserschaft. In: Literatur und Datenverarbeitung. (Hrsg. H. Schanze). Tübingen: Max Niemeyer, 107K122. Wildgen, Wolfgang (1983), Dialogdynamik. In: Papiere zur Linguistik 29 (2), 3K21. Wildgen, Wolfgang/Mottron, Laurent (1987), Dynamische Sprachtheorie: Sprachbeschreibung und Spracherklärung nach den Prinzipien der Selbstorganisation und der Morphogenese. Bochum: Brockmeyer. Wimmer, Gejiza/Altmann, Gabriel (1999), Review Article: On Vocabulary Richness. In: Journal of Quantitative Linguistics 6 (1), 1K9. Zörnig, Peter (1984a), The Distribution of the Distance between like Elements in a Sequence I. In: Glottometrika 6. (Hrsg. J. Boy/R. Köhler). Bochum: Brockmeyer, 1K15. Zörnig, Peter (1984b), The Distribution of the Distance between like Elements in a Sequence II. In: Glottometrika 7. (Hrsg. U. Rothe). Bochum: Brockmeyer, 1K14.

Alexander Mehler, Bielefeld (Deutschland)

26. Text laws 1. 2. 3. 4. 5. 6. 7.

Introduction The Menzerath-Altmann law on the text level Context and location of words Co-reference Positional series Conclusions Literature (a selection)

1.

Introduction

Text linguistics actually appears to be a generally accepted term for the linguistic branch developing since the 1960s. Text laws form the framework of that branch. Text linguistics tries to construct general text theory and its basic problem is: Which are the main properties of an arbitrary text structure? What kind of linguistic entity can be thought of as a construction formed by a set of sentences? In the present chapter we intend to give a short answer to these questions. First, it is necessary to characterize the notion law (in the narrower sense scientific law) in linguistics and especially in quantitative linguistics. This term need not obtain

some special comprehension different from its validity in other sciences. Probably, the best delimitation of this concept can be found in the works by the philosopher of scientific knowledge Karl Raimund Popper as well as in the works by some other representatives of the contemporary philosophy of science. To express it in a condensed way, according to this conception, theory is a system of expressions containing a law, i. e. a testable conjecture, as its core. Similar attitudes can be found in the solutions of linguistic problems displayed by quantitative linguists. In the word compound text law the term law designates a certain kernel proper to each scientific theory. A given conjecture, which is proved by some adequate and reliable examination of the data observed, is taken as a law until once in the future it becomes rejected on the basis of a more comprehensive generalization, or a new probation of the observed data. An old law, valid before, can thereupon be substituted by some new formulation offering a better explanation.

349

26. Text laws

When the puzzle of text structures becomes the aim of intellectual activities in linguistics, some other attitudes to scientific explanation in linguistics can scarcely be maintained. The reason is evident: any text exhibits such a great complexity in its internal structures that the methods of description or the ways of explanation used at the lower linguistic levels (i. e. mainly at the grammatical or lexical level) do not lead to acceptable results. Quantitative linguistics offers a large set of instruments for text analyses and for the construction of theories which are able to explain text structures. Many approaches described elsewhere in this book outside the present chapter can be used for text analyses. Here, however, we try to found those general principles enabling us to grasp text as a linguistic unit containing a certain newly defined higher language level. While in classical linguistics the highest level is that of sentences, in text linguistics we surpass from sentences to text. Thus linguistics can obtain quite new features. However, the properties of language structures uncovered by classical linguistics further remain an important part of the supra-sentence text structures. Quantitative linguists do not intend to change or reduce linguistics, they simply enlarge the range of its interests. Delimiting the object of investigation, we cannot define the notion of text in advance at a satisfying degree of accuracy. The variety of items commonly designated as texts is quite large, therefore we ask, which sort of objects we are to observe and analyse. When using the term text we think of an observed and continuous part of speech in a written or spoken form of natural languages. This means that for the approbation of the ideas exposed concerning text structures we select such language expressions K or parts of them K produced by competent language users and recorded under natural conditions of language communication. The beginning and the end of such a part may not coincide with some natural limits of language expression (the beginning of a book, of a chapter, or a short story as well as the beginning of a speech after a longer cessation of speech or in a new situation). However, between these limits text must remain unbroken by some sort of discontinuity be it (in a written text) tables, figures, lists of items removed from syntactic structures of sentences, formulas, etc. The reason for this requirement is evident: we wish to seek the language rela-

tions existing inside and among the sentences forming one text. Our aim is to find that sort of language units which form text in the same way or a similar one as sentences are formed by lower language units (phones, syllables, morphs, words, syntactic constructions). Louis Hjelmslev (1969) formulated the authentic aim of linguistics as seeking something unknown somewhere beyond language. This supposed something probably is located in human brains. Therefore we limit ourselves to the texts analysed and thus to the properties imprinted by human minds to texts.

2.

The Menzerath-Altmann law on the text level

The Menzerath-Altmann law (cf. art. 47) represents a tool capable of embracing not only the classical linguistic levels, but the supra-sentence text units as well. This law formulates a certain principle applicable as a definition of language level, the classical levels as well as some new ones. It unifies all different levels, while before its formulation, language levels were treated as relatively independent language subsystems. P. Menzerath (1928; 1954) and mainly Altmann (1980) introduced the notions of language construct and language constituent to linguistics together with the following basic idea: The longer a language construct the shorter its components (constituents). Its mathematical form was derived by Altmann (1980) and later tested in languages of different types, see, for example Altmann/Schwibbe (1989). The mathematical expression, which is equivalent to Menzerath’s conjecture quoted above, states that the relative change of constituents dy/y is inversely proportional to the relative change of construct dx/x: dy y

f

dx x

.

According to the basic conjecture, the coefficient of proportionality is negative, so we obtain equation: dy y

Z Kb

dx x

.

(1)

Following integration we have: ln y Z K b ln x C c .

(2)

350

VI. Gebiete und Phänomene: Text / Fields and phenomena: text

With A Z e c the basic form of the Menzerath-Altmann’s formula is: y Z AxKb.

(3)

Constants A and b function as parameters, which means that they differ from text to text of the same language and thus can be taken as text characteristics. The Menzerath-Altmann law has been proved for phones as constituents both for morphs and syllables. Then, similarly, words (word forms) proved to be constructs, and morphs and syllables their parallel constituents. At the higher levels, words are constituents of clauses and of sentences, and clauses are constituents of sentences. In general, for each construct, the lower units of different levels are their constituents. The mutual relationship between constructs and constituents can be documented by the distribution of syllable length in American English as it was published by Roberts (1965), quoted according to Altmann/Schwibbe (1989, 51K52), cf. Table 26.1: Table 26.1: Mean syllable length (measured in phonemes) in American English (according to Altmann/Schwibbe et al. 1989, 51K52). xi

ni

1 2 3 4 5 6

2747 3969 2247 874 213 14

yi

y*i

4.16 3.11 2.77 2.57 2.42 2.23

4.09 3.19 2.76 2.49 2.30 2.15

xi Z word length expressed by the number of syllables; ni Z the number of words; yi Z mean syllable length; y*i Z theoretical mean syllable length.

The computed values are obtained from the equation y* Z 4.0852 xK0.3578, which is formula (3) with estimated parameters. The structure of formula (3) corresponds to the type of equation called power law, see, e. g., Schroeder (1991) and art. No. 50. The same mathematical equation structure frequently corresponds to phenomena that are studied in natural sciences as an empirical expression of dependencies between certain variables. Thus the fundamental language law adjoins the natural phenomena. This is not a wonder since speech chains are produced by organs of the human body.

Formula (3) can also be derived from (2) with c Z 0, from which the following proportionality is deduced: yx C 1 yx

f

(x C 1)Kb xKb

,

x Z 1, 2, ...

(4)

Unlike the derivation of equation (3), the discrete treatment of the function is an inherent quality of (4). Then yx C 1 Z yx

( ) xC1

Kb

Z yx

x

( ) x

xC1

b

.

(5)

Let the first term of the progression contained in (5) be y1 Z A. Its other members are: y2 Z A y3 Z A y4 Z A ... yx Z A

() ()() ()()() ( ) 1

b

2 1

b

2

2 1

b

3

b

2

2

b

3

3

12

...

23

b

4

xK1

b

x

Consequently, the formula of the discrete Menzerath-Altmann law can be formulated in the following way: yx Z A

(

)

(x K 1)! x!

b

,

x Z 1, 2, ...

(6)

From (5), the analogous formula with negative b can be derived: yx Z A

(

)

(x C 1)! x!

Kb

(6a)

When in (6) and (6a) the fractions are reduced, formula (3) is obtained. This way of derivation stands more closely to the linguistic facts, for which the infinitesimal increment is not an adequate concept. In this way, formula (3) covers all the language levels up to the one of sentence. For the sake of brevity let us only remark that its validity has been proved for different languages, see the quoted works. When analysing the supra-sentence structure of texts, it is practical to formulate the following preliminary conjecture concerning the existence of two kinds of context which appear to be relevant for each lexical unit of a text:

351

26. Text laws

(a) narrower context of a lexical unit, that is the clause or sentence (generally, the larger syntactic construction; below, we will speak of sentences only) containing the given word as its member; (b) larger context of a lexical unit, represented by all those sentences (i. e. narrower contexts) in a given text, in which the given lexical unit occurs. These two kinds of context were observed in different languages and different texts. (In some works quoted below, larger context is called sentence aggregate, aggregation, etc.) Claudia Schwarz (1995) presents data observed in German texts, from which we quote data observed in a journalistic text, cf. Table 26.2. Table 26.2: Two types of context in a German text (according to Schwarz 1995, 63). x

y

y* Z AxKb

ZA

x

y

y* Z AxKb

ZA

1 2 3 4 5 6

283 51 20 13 5 3

283.0 57.5 22.6 11.7 7.0 4.6

283.00 45.01 22.26 13.09 8.52 5.92

7 8 9 10 11 12

7 2 2 2 2 3

3.2 2.4 1.8 1.4 1.1 0.9

4.32 3.27 2.54 2.02 1.64 1.41

x Z the length of larger context (expressed by the number of sentences); y Z the mean length of narrower context, i. e. the mean length of sentences forming contexts of the corresponding x (in the number of words); theoretical values y* are computed with A Z 283 and b Z K2.3. ZA Z Zipf-Alekseev distribution, computed with the help of Altmann-Fitter (1994). Text: Frank Schirmacher, Dem Druck des härteren, strengeren Lebens standhalten. Frankfurter Allgemeine Zeitung. Samstag, 2. 6. 1990, Nr. 127.

All occurrences of each lexical unit virtually form a set of sentences representing its larger context; the cases of more than one occurrence of a given lexical unit in one and the same sentence are rare and can be neglected in statistical assumptions. It appeared that in different languages and different texts the distribution of narrower contexts y with larger contexts x corresponds to the Menzerath-Altmann law and thus the relation of both contexts can be treated as the relation of language construct and its constituents in the sense of this law. Consequently, the same principle can be applied to all language levels from phones up

to the sets of sentences forming larger contexts as the highest defined language constructs. The concept of lexical unit, on which the idea of the two types of context is based, points to the fact that each word form is evaluated by language users (text producers and recipients) in relation to all the other word forms occurring in a given text. Language users, being in contact with a text, state identities between individual word forms mutually co-ordinating them into one lexical unit and thus bring their narrower contexts into one larger context. Therefore the interpretation of a text, when formally analysed, means delimitation of the set of lexical units contained in the text. Of course, the depth of interpretation may be extended and together with lexical entities embrace synonyms and synonymic expressions on which larger contexts can also be defined. Hence it follows that speaking about text we always have in mind the contact between (written or spoken) language expressions and language users. Text is not simply a record of a text, but a lively contact with a (produced or received) language formation which is actually interpreted. And interpretation is the seeking of relationships between narrower and larger contexts. The steps from the lowest level to the highest one are formed by those units, each of which represents a constituent in relation to its higher levels, and a construct in relation to the lower levels. Formula (3) can be reformulated as x Z f (y), or xz Z

( )

1/bz

Az

yz C 1

,

z Z 1, 2, ...

(7)

which represents a mapping where language level is designated as z. Hřebíček (1995b; 1997, 47K89) brings data from several Turkish texts which (after their logarithmic transformation) are in agreement with the following general equation: log x1 Z

1 b1

log A1 K 1

C ... G G

b1 b2 b3 1

1 b1 b2

log A2

log A3 K ...

b1 b2 ... bz K 1 1 b1 b2 ... bz K 1

log Az K 1 log xz Az.

(8)

352

VI. Gebiete und Phänomene: Text / Fields and phenomena: text

Here, for example, z Z 1 indicates the level of phones, z Z 2 the level of morphs, z Z 3 the level of words, etc. These results can be interpreted as a clear indication that language is a self-similar set structured on the basis of the principle formulated in the Menzerath-Altmann law. This holds when languages are viewed through the optics of texts and not only of sentences. Of course, this conclusion needs proofs in other languages and texts of different kinds. From the quantitative expressions like (8) it can be deduced that the classical assertion concerning language levels and treating them as relatively autonomous language subsystems, is dubious from the viewpoint of the Menzerath-Altmann law. All these subsystems form one integral language system. It can be indicated that constructs are scaled according to their natural constituents and these constituents can be measured in an arbitrary measure, for example in phones, details can be read in Hřebíček (1998). In Table 26.3 the length of sentences is presented in the number of clauses and the length of the corresponding constituents (Z clauses) is presented in the number of phones observed in a Turkish text. Table 26.3: Sentence length (expressed by the number of clauses) and clause length (expressed by the number of phones) in a Turkish text. (1)

(2)

(3)

1 2 3 4 5 7

30.23 26.21 30.69 24.42 23.80 18.64

32.05 27.71 25.45 23.95 22.86 21.30

(1) sentence length expressed by the number of clauses, (2) mean clause length expressed by the number of phones, (3) expected clause length computed according to Menzerath-Altmann’s law: A Z 32.05, b Z K0.21. Wilcoxon test: T Z 9 O 0 Z T0.05.

The analogous way of measurement can be applied to all language levels. When the data are inserted into equation (8), all terms on its right-hand side are measured in phones. Consequently, there is no complicated labelling in many different language units as units of measurement, cf. Köhler (1995). In this sense, the Menzerath-Altmann law holds regardless of the units of measurement.

In relation to lower levels, the units of an arbitrary language level represent constructs, and in relation to the higher levels they are constituents. Their mutual relation can be considered as a progression realized by double concepts: ... [constructKconstituent] 5 [constructK constituent] 5 [constructKconstituent] ... For this reason, formula (3), taken as a consequence of (6) or (6a), with respect to the identity of x Z y can be formulated as x Z A x b or y Z A y b. Both these expressions lead to one and the same solution: x Z A1/(1Kb) and y Z A1/(1Kb). This means that any text taken as a compact system, which is represented by units on different levels, is a dynamic system complying with the general expression a Z f (a). Thus the parameters of the Menzerath-Altmann law, in the configuration of equations (9), fulfil the criterion for equilibrium value or fix point, see Sandefur (1990, 18). Seeking the empirical sense of these concepts in text linguistics, in all analysed cases it appeared that this expression (at the level of larger contexts and sentences as their constituents) has a value which is very close to mean sentence length. This is documented by the values of mean sentence length and A1/(1Kb) in Table 26.4 observed in Turkish texts of different stylistic qualities. Table 26.4: Mean sentence length and fixed points A1/(1Kb) in a sample of Turkish texts ! y O A1/(1Kb) ! y O A1/(1Kb) ! y O A1/(1Kb) 13.82 13.32 9.26 8.97 6.20 6.21

4.17 21.43 11.72

4.54 19.52 11.61

10.06 19.44 10.57

9.27 18.78 10.57

In general, fix point equals the mean value of the length of constituents. Fix point is classified as being stable if the absolute value of its derivation is less than 1. Otherwise the equilibrium is instable. The derivation of the point of equilibrium is: !yO# Z

1 1Kb

Ab/1Kb.

(9)

At the level of supra-sentence constructs and sentences, for the analysed Turkish texts we obtained the value !yO# z 0.8. Thus the systems of these texts can be classified

353

26. Text laws

as stable (attracting) and not instable (repelling). The well-known investigative operation in psychology directed to the inspection of human minds is based on word associations. The experimenter selects one word which stimulates the tested person to quickly pronounce words which according to her/his semantic intuition are associated with it. The result is an observed distribution indicating how many times (fx) the tested person’s responses exactly contain x words as associating words during a given experiment. Psychologists sought some theoretical distribution fitting the observed distributions and modelling the process running in minds during these experiments. For a linguist this operation of associating words is directly connected with seeking the pure meanings hidden somewhere behind words in the human mind. These words are set free of contextual dependencies taking place in texts; here these connections are replaced by the act of association. On the other hand, when language users produce texts, semantic associations in their minds determine a given word as a possible context for some other words in the text actually produced. The semantic dependencies in texts can be assumed to be correlated with semantic dependencies in minds. Altmann (1992) analysed several observed distributions together with several theoretical distributions applied in psychological studies. He found that a new distribution appeared more satisfactory. This new distribution was the Zipf-Alekseev (cf. Alekseev 1978) distribution. Hřebíček (1996; 1997, 1K44) tried to explain this correspondence between the observed psychological data and this theoretical distribution with the help of the Menzerath-Altmann law in the following way: The formula of the Zipf-Alekseev distribution operates with the two parameters a and b: fx Z f1 xK(aCb ln x) ,

(10)

where fx is the number of cases, in which the number of associating words is x. When the observed data published by psychologists are analysed carefully, the following conjecture appears to be valid for the data: The number of occurrences fx is directly proportional to the number of one occurring

association f1 and indirectly proportional to x. In a simpler formulation this conjecture says that the relation f1 / fx is proportional to x. Consequently, we can write: 1 fx f f1 . x After supplying this proportionality relation with the coefficient of proportionality c and transforming the whole expression into logarithmic form we obtain: ln f1 K ln fx Z (ln c) (ln x) The resulting equation is

() f1

1/ln x

fx

Z c.

(11)

It is not difficult to prove that (11) is completely unrealistic with regard to the data obtained in psychological experiments. From text linguistics, however, we already know that words (and, consequently, their meanings) in human minds are organized in accordance with the Menzerath-Altmann law. This fact is imprinted in the above described text structures. Therefore in (11), we try to substitute the unrealistic constant c by the expression taken from (3), or better, from (6):

() f1

fx

1/ln x

Z Axb.

(12)

With A Z e a the Zipf-Alekseev function, i. e. formula (10), is obtained. This means that the Menzerath-Altmann principle is hidden in the interior of the structure contained in formula (10). The reason for which this theoretical distribution corresponds to the data obtained from the experiments with word associations is explained in text linguistics: the way in which human mind operates with meanings is almost the same for both, texts and word associations. This conclusion is confirmed by the analysis of texts, see, for example, Table 26.2, columns ZA; the other observed data can be found in Schwarz (1995) for German and in Hřebíček (1995b, 76K82; 1997, 95 ff.) for Turkish. In texts, lexical units as nuclei of larger contexts (i. e. supra-sentence constructs and the respective sentences as their constituents) are distributed in agreement

354

VI. Gebiete und Phänomene: Text / Fields and phenomena: text

with the Zipf-Alekseev distribution. This means that word frequencies in texts are also distributed according to this distribution. This is documented by the values taken from a Turkish text, see Table 26.5. (The insignificant difference between the observed and theoretical values in this Table, as well as in Table 26.2, has been proved by the Wilcoxon test.) Table 26.5: Word frequencies and the Zipf-Alekseev distribution in a Turkish text x

fx

ZA

x

fx

ZA

1 2 3 4 5 6 7

273 83 39 14 17 5 7

273.01 83.11 36.97 19.76 11.81 7.61 5.18

8 9 10 12 13 17 19

4 2 2 1 1 2 1

3.67 2.69 2.03 1.22 0.98 0.44 0.32

The arguments introduced in connection with text analysis and word associations in psychology indicate that the Menzerath-Altmann law is a principle of semantic character. Behind this law we assume the existence of a characteristic manner in which human brain operates with meanings; these operations are lightly engraved on text structures. This is obvious not only from the results of psychological experiments with word associations, but also from the relation between large and narrow contexts, i. e. between constructs and constituents, respectively. Now the question arises what all this means for the sub-sentence levels. Can we retain the argument about the semantic character of this law at the lower levels as well? Let us consider these levels simultaneously; or better, the units representing constructs and constituents: SENTENCE

CLAUSE

WORD SYLLABLE

MORPH

PHONE

Regardless of their formal properties, all these kinds of units K with the exception of

syllables K can be characterized as items with outstanding semantic traits. Even phones in the treatment of structuralists’ schools, when described as phonemes, can be identified as certain semantic units. The above diagram instigates the question why the class of word constituents is manifested by two (in many languages different) kinds of units K syllables and morphs. While morphs evidently have semantic traits, syllables are units of technical nature, whose structure corresponds to the organs of articulation and the way, in which human beings move them when speaking. It can be maintained that apart from syllables, there must be another type of units in the language system fulfilling the demands of semantics at the level of word constituents. The Menzerath-Altmann principle grows through all the language levels, even if the respective units have a technical character, submitting them to this fundamental principle. The assumption that this principle has a governing character during the entire history of the development of language structures seems to be quite probable and acceptable. The main aim of language communication is the transfer of meanings. According to the discussed conjecture, the relation between larger and narrower context can be assumed an archetype for the whole string of language levels. Now let us focus our attention on the concept of text in connection with the idea of the two types of context. Let us consider the problem worded as follows: Suppose a text of some reasonable length, not very short and not very long, for example, a newspaper article or a short story; suppose a given lexical unit occurring in its first and last sentences. These two sentences are classified as members of the larger context defined on the basis of the assumed lexical unit. When the same situation, however, arises in a very large text K for example in a novel by Tolstoy K, can we speak of larger context again? Intuitively, this is not an acceptable idea; human mind with its great but not unlimited capacity is scarcely able to update all specific contextual relations of lexical units in such a large text. It is quite natural to expect that, when a text increases extremely during its production or reception, the contextual bindings among words minimize step by step and what was valid for shorter texts, now ends its functioning. This means that when a text

355

26. Text laws

increases beyond some reasonable limits, the Menzerath-Altmann law and the distribution derived from it (i. e. Zipf-Alekseev distribution) becomes ineffective. For the present, this expectation was substantiated by means of a Turkish novel, cf. Hřebíček (1997, 90K120). Here we merely summarize the results: The first eight chapters of the novel were analysed, each chapter as a separate text; the purpose of the analysis was to obtain the observed distribution of words and to compare it with the theoretical values. We observed x, i. e. the number of sentences in which a given word occurs (this value approximately equals the word frequency in the text), and zx, i. e. the number of lexical units, for which the larger context equals x. The expected values ze were computed according to the formula ze Z z1 xK(a C b ln x), i. e., according to the Zipf-Alekseev distribution, see formula (10). The observed and computed values for the first chapter of the novel are presented in Table 26.6. Table 26.6: Observed (zx) and expected (ze) distribution of larger contexts containing x sentences in a Turkish text x

zx

ze

x

zx

ze

1 2 3 4 5 6 7 8 9 10 11

377 124 50 27 15 10 10 3 4 2 2

377.00 117.99 52.18 28.18 16.75 10.71 7.24 5.09 3.70 2.77 2.11

12 13 14 15 16 17 18 19 20 21

1 2 2 0 0 0 1 1 0 1

1.65 1.30 1.04 0.85 0.70 0.58 0.48 0.41 0.35 0.40

The values of ze computed according to the ZipfAlekseev distribution: a Z 1.46, b Z 0.2897; Chi-square test: X 2 Z 6.20, degrees of freedom df Z 11; P Z 0.8594.

The X 2-test indicates that there are no significant differences between observed zx and expected ze. Consequently, the theory holds for individual short texts. Now let us, in the same way, analyse the same text as one continual text, and let us enlarge this text chapter by chapter. The following data are results of the X 2-test obtained after individual chapters:

After chapter:

P

After chapter:

P

1 2 3 4

0.8594 0.2226 0.1901 0.0125

5 6 7 8

0.0654 0.2229 0.0001 0.0001

The values of probability P indicate that after the first three chapters the functioning of the principles based on contextual relations becomes ineffective, it is lower than 0.05; then the value of P fluctuates and after the first six chapters it definitely descends almost to zero. Generally, the expectations are accomplished, the increasing text loses its compact character, its structure based on the contextual properties of its units gets lost. It seems to be reasonable to introduce a new term for those texts which are in agreement with Menzerath-Altmann’s model of text. We propose the term compact text. In this way text becomes a defined term. A warning must be presented in this connection: The concept of compact text can hardly be used for obtaining some objective segmentation of longer texts into compact formations. Text is always interpreted by its producer and recipient, who determine word forms belonging to individual lexical units. Thus the structure of larger contexts and the sentences belonging to them are determined as well. In the real situations of language communication this is an intuitive informal operation. When linguists prepare similar analyses, their semantic intuition is activated in the same way as it is done in the case of normal competent language users. Linguists, however, strive after a degree of objectivity providing analyses of different texts without great disparity in their approaches. Let us submit the following metaphor: Compact text is a train running through a landscape; its length, the number of its wagons, depends on the external viewers’ ability to observe the number of the wagons (language constructs), as well as on the character of the landscape (communicated meanings).

3.

Context and location of words

According to the explained theory, frequency of lexical units is roughly equated with the length of constructs forming larger

356

VI. Gebiete und Phänomene: Text / Fields and phenomena: text

contexts, because the number of cases when a lexical unit is repeated in the same sentence is low; as indicated above, the length of constructs is given in the number of sentences. This means that each occurrence of a lexical unit belongs to a certain sentence labelled by its rank number; the same sentence is a constituent of the construct (larger context) defined by the lexical unit. (The sequence of word forms in texts was also used for the numerical labelling of the variable location of a word form and it appeared that the location according to sentences is sufficient and satisfactory for the experiment described.) The correlation between word frequency and word location belongs to one of the marginal traits of the model. Now we want to ascertain, whether there exists some structure organizing the location of the words with respect to their frequency in the text producer’s thinking. How is text organized from the viewpoint of frequency of lexical units? One sort of dependence is evident: new lexical units with higher frequencies must be introduced at sufficient distance from the text end, this is trivial. When each word form in a text was labelled according to the rank number of the respective sentence, and its correlation to the frequency was estimated, the correlation coefficient actually was zero. However, when only the first occurrence of each lexical unit and its frequency and location were taken into account, the ascertained value of the linear correlation coefficient r about K0.75 was significant for all the analysed Turkish texts. Words with lower frequencies close to 1 occur anywhere, the higher frequencies depend on word location. It can be concluded that the introduction of a lexical unit into a text is significant for the relationship between larger contexts of words and their location. The higher the frequency the sooner the introduction of the respective word. And thus the importance of a lexical unit for the communicated message is to some extent reflected by its frequency. Each larger context arranged around a given lexical unit is unfolded among the other text units in their sequence. The question arises which are the regular features of the location of their constituents. In a Czech short story, the distances between the occurrences of its key word otec “father” in the sequence of word forms were measured by the number of words. The distribution of the observed distances is pre-

sented in Table 26.7, where the theoretical values are computed according to the ZipfAlekseev distribution. Table 26.7: The distances x (measured in words) between the occurrences of the lexical unit otec „father“ in a Czech short story x

zx

ze

x

zx

ze

1 2 3 4 5 6

8 8 3 2 1 2

8.10 6.34 3.80 2.59 1.90 1.47

7 8 9 10 11 12

1 1 0 1 1 1

1.18 0.96 0.81 0.69 0.59 0.57

x Z distance (in words), zx Z the number of occurrences of x, ze Z the expected zx computed according to the Zipf-Alekseev distribution (Altmann-Fitter); parameters: a Z 1.0968, b Z 0.0934. X 2-test: X 2 Z 2.23, df Z 4, P Z 0.6944.

The differences between the observed and theoretical values are insignificant. These results indicate that the internal organization of larger contexts follows the principles of Menzerath-Altmann’s theoretical model. The penetration of these principles, originally occurring in the vertical organization of a text (i. e. in the whole range between phones and supra-sentence constructs), into its horizontal (or linear) organization is obvious.

4.

Co-reference

The above presented model is sufficiently flexible to enable the existence of many other principles materializing the unity of sentences called compact text. One of such principles is the relation of cohesion, in linguistics described earlier than the Menzerath-Altmann law was mathematically formulated. As for the description of cohesion in English texts see Halliday/Hasan (1976). Cohesion is shaped by many types of relations; here they are subsumed under the term of co-reference. While the relation of constructs and constituents is based on repetitions of constituents, co-references are relations based on different language expressions related to the same extralinguistic reality. As an illustration let us quote the co-reference Mr. X.Y. and the expression this man in the following part of the same text; the members of one co-reference (formed always by two different expressions) may occur in one and the

357

26. Text laws

same sentence or in different sentences. The observation of co-references in texts is quite uncertain, the estimation of the number of co-references always depends on the semantic sensitivity of the analyst. The analyses performed up to now indicate that it is advantageous to possess in advance a list of those units and types of expressions forming co-references in order to obtain comparable results for different texts and different languages. Statistically correct would be working with average data obtained from a group of competent analysts for each text; this, however, is rarely possible. One can assume that co-references depend on (a) the degree of repetition of lexical units in a text, and (b) text segmentation into sentences or clauses which are tied together with the help of co-references. In connection with (a), the relation of coreference is indirect. In connection with (b), this relation is direct. The respective conjecture thus comprises two assertions: The higher the lexical homogeneity of a text, the lower the number of co-references; the more a text is syntactically segmented into sentences (or clauses), the higher is the number of co-references. Let us introduce the following variables: z Z number of co-references, k Z number of sentences (or clauses), w Z the characteristic of the lexical homogeneity of a text. On behalf of simplicity, the two parts of the above presented conjecture are subsumed under one and the same value a of the proportionality coefficient for a given text. The mentioned relations can be expressed as one system containing two equations: vz vk

Z aw,

vz vw

Z ak.

(13)

The sense of these partial differential equations can be formulated as follows: When we assume the mutual relation of infinitely little increases of z and k, it is proportional to w. When we assume the mutual relation of infinitely little increases of z and w, it is proportional to k. The solution of (13) is: z Z f (k, w) Z akw.

(14)

This variable is derived as a continuous function while the real variables observed in texts are discrete. Therefore, as to this con-

tinuous function, we take into account its discrete points only. The discussion of the factual sense of w indicates that two variables are important: the number of lexical units v and text length n in the number of word forms. Their mutual relation expresses the mean frequency (or the mean value of word repetition) f¯ Z n / v . With respect to the indirect proportionality of this mean to z we can write: 1 1 v z Z ak Z ak Z ak . f¯ n n

(15)

v Now we recall Herdan’s presumption log v Z C log n, see Herdan (1966, 76). Hence it follows that v Z nC. After its insertion into (15) the following equation is obtained: z Z aknCK1.

(16)

Let us remember that 1 w Z nC K1 Z nC nK1 Z v . n Equation (16) has the structure of a power law. It can be concluded that this kind of mathematical structure plays an outstanding role in texts. Table 26.8 presents an illustration of coreferences which are observed in an English text containing k Z 42 sentences. This experiment has been accomplished in steps: the number of co-references indicates the increasing number of co-references after each 5th sentence and then after the last sentence for the whole text. Table 26.8: Observed (z) and expected (ze) number of co-references in an English text k

n

v

z

ze

5 10 15 20 25 30 35 40 42

71 139 206 279 361 427 524 577 603

54 98 143 190 233 255 302 327 343

16 36 51 66 86 104 126 137 141

22.4 41.6 61.4 80.4 95.2 105.7 119.0 133.7 140.9

a Z 5.9 Text: Sir James Redhouse (1811K1892). In: Redhouse Yeni Türkc¸e K I´ngilizce Sözlük. Istanbul 1968, pp. XIIKXIII.

358

VI. Gebiete und Phänomene: Text / Fields and phenomena: text

The observed and expected values of z were tested with the help of the coefficient of determination which comprises the relation of explained variation to total variation, i. e., D Z [Σ (ze K !zO)2 / Σ (z K !zO)2]1/2, where !zO is the mean value of z. The resulting D Z 0.91, which means that the 91 % of the co-references in the text is explained by the above presented theory. This is the maximal variant of the analysis, when all possible co-references including the suspected or dubious cases were taken into account. On the other hand, the minimal variant of the analysis has been applied to the same text and the questionable relations were excluded. This time the coefficient of determination was D Z 0.87. Other data are published and analysed in Hřebíček (1985; 1992); for application of this theory to a poetic figure that is similarly structured as to co-reference, cf. Hřebíček (1986).

5.

Positional series

The Menzerath-Altmann text model operates with iterations applied in a vertical sense, i. e. in the range between the lowest (phone) level and the supra-sentence level of larger contexts. Language expressions and their structures, however, are K under natural conditions of communication K horizontally unfolded obtaining thus a linear structure. It is necessary to seek the principles according to which the Menzerath-Altmann structure is linearly evolved. To the best of our knowledge, the investigation of this aspect has not been developed sufficiently yet. Certain indications, however, testify that the entire language structure, including its linear forms, has grown owing to one leading principle. For the general problems of sequential models see Pawlowski (1999). Let us introduce the notion of word frequency series forming the positional series of word frequencies. The term positional series is an analogy to time series where equal time intervals are substituted by position in a sequence. The word frequency series consists of integers ascribed to each word form indicating the frequency of lexical units in a given text. This kind of positional series can be examined from many viewpoints and in many different methods. The analysis of the described data taken from a Turkish text follows their sequence. Each value of the series

was evaluated as higher or equal (i. e., H) or lower (i. e., L) than the mean word frequency in the respective text. The positional series has thus been transformed into a sequence of the letters H and L: H H L H L L L H H H H H L ... Then the length of the intervals at which the same letter(s) were placed in the neighbourhood of each other were measured. The distribution of these intervals is presented in Table 26.9. Table 26.9: The distribution of intervals with higher and lower word frequencies in relation to their mean value in the word-frequency series of a Turkish text Interval

zo

ze

Interval

zo

ze

1 2 3 4 5 6 7 8

306 155 58 28 18 16 6 6

306.00 150.91 60.86 30.94 17.98 11.40 7.69 5.44

9 10 11 12 13 14 15

4 4 3 1 0 0 1

3.08 3.00 2.32 1.83 1.47 1.19 0.98

zo Z the observed number of intervals, ze Z the expected distribution according to ZipfAlekseev. Parameters: a Z 1.95, b Z 0.16. X 2-test: X 2 Z 5.82, df Z 9, P Z 0.7581 (Altmann-Fitter). Text: D. Özlü, Bir Yaz Mevsimi Romanisı Istanbul, Ada, 1st chapter.

The distribution of the intervals is in accordance with the Zipf-Alekseev distribution, as it is attested by the expected values in Table 26.9 and their insignificant difference from the observed values. Similar results were obtained when the positional series of sentence length measured by the number of word forms has been examined. This time the intervals are represented by sentences (elements of the series) which are higher or lower than the mean sentence length. The comparison of the observed distribution with the values obtained with the help of Zipf-Alekseev theoretical distribution is contained in Table 26.10. It is evident that there is no reason to reject the conjecture that there is no significant difference between the observed and expected values. These two preliminary probes of the regularities which are observable in the series obtained from one Turkish text were also repeated with other texts of two other lan-

359

26. Text laws Table 26.10: The distribution of intervals containing higher and lower values than the mean value in the sentence-length series (the same Turkish text as in Table 26.9) Interval

zo

ze

1 2 3 4 5 6 7 8

42 16 12 5 8 2 1 1

42.00 16.53 10.50 6.75 4.47 3.05 2.14 1.56

zo Z observed intervals, ze Z intervals expected according to Zipf-Alekseev theoretical distribution. Parameters: a Z 0.0374, b Z 0.6035. X 2-test: X 2 Z 4.64, df Z 3, P Z 0.2006 (Altmann-Fitter).

guages of different types. They can be taken as a precursory test of the range, in which the principle expressed by the MenzerathAltmann law is applied to text structures. This investigation should be repeated many times with other texts and languages. Nevertheless, these two probes indicate that the further investigation is promising from the viewpoint of the better knowledge of text structures. For the time being we can conclude that text seems to comprise a structural symmetry based on the Menzerath-Altmann law.

6.

Conclusions

The question: How is a set of sentences probably shaped into a language pattern called text? which was asked at the beginning, can be answered by the MenzerathAltmann law and its consequences; in the entire range of its application, language then appears to be a set structured according to the self-similarity principle expressed by this law. (The outlined theory is largely developed in Ziegler/Altmann 2002.) The Menzerath-Altmann law has a semantic property at its bottom. Trying to summarize its linguistic consequences we present the following principal points: (1) When applied to the supra-sentence level, the Menzerath-Altmann law obtains intuitively understandable traits. The larger context of a lexical unit (which is a language construct) and the narrower context(s) of the same word (constituents) are two phenomena hav-

ing semantic character. They both can be subsumed under the following assertion: In a text, meanings of language units are more precisely delimited by collocation with units of the same level thus forming a higher construct. Such collocation encompasses binary as well as many-sided relationships. (2) The above quoted assertion concerns contextual relationships and can be taken as a basic axiom of language structure. According to this assertion the Menzerath-Altmann law can be treated hypothetically as a principle valid at first for lexical units in the two kinds of context, and then commonly for constructs and constituents at all language levels. Axioms are generally acceptable assertions. It seems to be correct to consider the above assertion self-evident truth. Lexical units, together with their contexts, can be compared to communicating vessels: if a lexical unit is so important to be presented with a frequency higher than one, its larger context becomes enlarged, and then narrower context need not be larger. (3) The same principle functions during the entire history of the language development and grows through the whole language structure, at least down to phones. Such units as syllables were also touched by this principle regardless of the fact that they are not semanticizing units (naturally, with the exception of the languages characterized by syllable/morph identities). The Menzerath-Altmann law is a principle capable of defining language levels. Even the lower units like phones achieve the properties enabling them to play an outstanding semantic role in language expressions. (4) The difference between compact text and text, in general sense, indicates the contextual basis of this law. This quality has something in common with the memory capacity proper to human individuals. When a text increases over some reasonable limits, its cohesion built up on contextual bonds weakens and the increasing text suspends its character as a compact text.

360

VI. Gebiete und Phänomene: Text / Fields and phenomena: text

(5) From the viewpoint of the MenzerathAltmann law there is no spiky difference between form and semantic content of language units. The way, in which language formants are organized in a text, is deduced from the interpretative properties of these formants. This is evident when the set of lexical units forming texts is confirmed by a language user. (6) Semantic interpretation still remains the main way to text structures. A given text can be interpreted distinctly by two equally competent language users. Therefore it is senseless to assume some text without a direct contact with the language user’s mind. Language is a highly abstract concept. The existence of this concept is possible thanks to the radical reductionism applied to the main mean of human communication. Language of classical linguistics is sentence expanded to the dimension of all sentence types and the entire lexicon substituted into the abstract terms of these types. Trying to understand a text edifice, the formerly analysed sentence structures are not refuted, but embraced by the text structures described above; they include sentences and their inherent structures as constituents of larger contexts. The step from sentence to text requires certain K otherwise not discernible K operations with meanings taking place in human minds. Their traces are imprinted into language structures. At one time in the future linguistics will possibly be able to say something substantial for the future knowledge of mental dynamism. From the higher complexity proper to texts, language structure emerges as a whole with its two basic qualities: self-similarity proved on different language levels by Menzerath-Altmann’s law, and internal symmetry confirmed by invariance with respect to the reciprocal transformation from vertical to horizontal (linear) form.

7.

Literature (a selection)

Alekseev, Pavel (1978), O nelinejnych formulirovkach zakona Zipfa. In: Voprosy kibernetiki 41, 53K65. Altmann, Gabriel (1980), Prolegomena to Menzerath’s law. In: Glottometrika 2. (ed. R. Grotjahn). Bochum: Brockmeyer.

Altmann, Gabriel (1992), Two models for word association data. In: Glottometrika 13 (ed. B. Rieger). Bochum: Brockmeyer, 105K120. Altmann, Gabriel/Schwibbe, Michael H. (eds.), Das Menzerathsche Gesetz in informationsverarbeitenden Systemen. Hildesheim u. a.: Olms, 1989. Halliday, Michael Alexander Kirkwood/Hasan, Ruqaiya (1976), Cohesion in English. London: Longman. Herdan, Gustav (1966), The advanced theory of language as choice and chance. Berlin et al.: Springer. Hjelmslev, Louis (1969), Prolegomena to the theory of language. Madison et al.: University of Wisconsin Press. [Russian translation in: Novoe v lingvistike, Vypusk I, Moskva, Izd. inostrannoj literatury, 264K389]. Hřebíček, Luděk (1985), Text as a unit and coreferences. In: Linguistic dynamics. Discourses, procedures and evolution. (ed. T. Ballmer). Berlin/ New York: de Gruyter. Hřebíček, Luděk (1986), Cohesion in Ottoman poetic texts. In: Archív orientální 54, 252K256. Hřebíček, Luděk (1992), Text in communication: supra-sentence structures. Bochum: Brockmeyer. Hřebíček, Luděk (1995a), Phase transition in texts. In: Zet Zeitschrift für Empirische Textforschung 2, 52K58. Hřebíček, Luděk (1995b), Text levels. Language constructs, constituents and the Menzerath-Altmann law. Trier, Wissenschaftlicher Verlag Trier. Hřebíček, Luděk (1996), Word associations and text. In: Glottometrika 15. (ed. P. Schmidt). Wissenschaftlicher Verlag Trier, 96K101. Hřebíček, Luděk (1997), Lectures on text theory. Prague: Oriental Institute. Hřebíček, Luděk (1998), Language fractals and measurement in texts. In: Archív orientální 66, 233K242. Köhler, Reinhard (1995), Maßeinheiten, Dimensionen und fraktale Strukturen in der Linguistik. In: Zet Zeitschrift für Empirische Textforschung 2, 5K6. Menzerath, Paul (1928), Über einige phonetische Probleme. In: Actes du premier congres international de linguistes. Leiden: Sijthoff, 104K105. Menzerath, Paul (1954), Die Architektonik des deutschen Wortschatzes. Bonn: Dümmler. Pawlowski, Adam (1999), Language in the line vs. language in the mass: On the efficiency of sequential modelling in the analysis of rhytm. In: JQL (6), 1, 70K77. Roberts, Aaron H. (1965), A statistical linguistic analysis of American English. The Hague: Mouton. Sandefur, James T. (1990), Discrete dynamical systems. Theory and application. Oxford: Clarendon Press.

361

27. The type-token relation Schroeder, Manfred (1991), Fractals, chaos, power laws. New York: Freeman. Schwarz, Claudia (1995), The distribution of aggregates in texts. In: Zet Zeitschrift für empirische Textforschung 2, 62K66.

Ziegler, Arne/Altmann, Gabriel (2002), Denotative Textanalyse. Ein textlinguistisches Arbeitsbuch. Wien: Edition Praesens. Software Altmann-Fitter, RAM-Verlag, Lüdenscheid 1994.

Ludeˇk Hřebíček, Prague (Czech Republic)

27. The type-token relation 1. 2. 3. 4. 5. 6. 7.

Introduction Type identification Interpretation Measurement Genesis and modelling Sampling, indices and curves Literature (a selection)

1.

Introduction

The type-token relation is understood as the ratio of the number of different words to all words in text, or with other words, the ratio of vocabulary richness to text length. The problem developed probably in analogy to that of species frequency or species abundance in biology and has been imported in linguistics by statisticians who were active in both disciplines. Nowadays, this research is not only very extensive but also very inhomogeneous because every deepening brings new anomalies. The lack of uniformity is contained in the following aspects: (a) (b) (c) (d) (e)

Type identification, Interpretation, Measurement, Genesis and theoretical approach, Statistical processing (sampling etc.).

Let us consider the problems step by step.

2.

Type identification

There are two possibilities to identify types in text: (i) To consider different word forms K a technique prefered by mathematicians who ignore the concept of lexeme or lemma. If identified in this way, the result has nothing to do with vocabulary richness but rather with form richness (syntheticity) of a language. (ii) To consider different lexemes (lemmas) K a technique leading to intricate

(a)

(b)

(c) (d)

(e)

qualitative problems. First, the data must be adequately prepared (by hand or program) which is dependent on the linguistic school or performed with ad hoc criteria. Let us consider some of the problems: In German the indefinite articles einer, eine, eines and their forms are united in one lexeme. But what about the definite articles der, die, das or the parallel pronouns er, sie, es? What about analytic constructions like German am schönsten being the superlative of an adjective whose other forms are synthetic? How to solve the problem of verbs like ich werde gelobt werden? Are there two lemmas, three or four? The problem of homonyms which can be rather disguised by a program, e. g. the article ein, the number ein and the detachable prefix ein (ich trat ein)? How to solve the problem of feminine forms, e. g. fr. beau and belle, or it. attore, attrice?

Etc. The problem does not consist in writing a program which is able to consider all these fine differences but in well founded decisions. Language does not care for boundaries and identities, this is our conceptual problem. Mathematicians, who do not take care of these problems, set up wonderful models for dubious data and draw still more dubious conclusions.

3.

Interpretation

There are two interpretations of the TTR: (i) It is a characteristic of vocabulary richness of the text. (ii) It is a model of information flow in text.

362

VI. Gebiete und Phänomene: Text / Fields and phenomena: text

Case (i) holds only if the type-identification according to (ii) in Section 2. has been performed. Let us assume that it was done. Then TTR will be characterized by a number (index) or a curve. However, it is known that with increasing text length the increase of new words slows down, thus the indices must be relativized and this circumstance lead to the development of ever new indices or to a transformation of existing ones (usually a logarithmic one). From this point of view some indices are quite irrelevant. The same holds for curves describing the increase of new words. Several ones mathematically converge to infinity, which is linguistically impossible. Mathematicians found remedies and secured convergence against a finite value or truncated the curve at the text length. This point has then been called vocabulary richness of the author. As a matter of fact, all texts of an author converge to different points, thus any prediction is illusory. Every adult person knows almost all words of his/her language, even if he/she does not use them all; the difference consists in some thousands of words contained in special dictionaries. In order to save the hypothesis, mathematicians assumed that the point of convergence means the number of those words which the writer placed at his own disposal for writing the given text. This is a sheer nonsense. Thus TTR as a measure of vocabulary richness is a misnomer. As a measure of the richness of the text it can perhaps function if some problems can be solved (see 4.1. (a)). Let us consider case (ii). This interpretation is correct. In text information is conveyed. One of the ways to do it is to bring new words or combine old ones in different ways. In didactic texts the information flows slowlier since repetition is necessary, in lyrical poetry it is more rapid since here repetition is shunned. The transfer of information means that the speaker (writer) builds in the hearer a knowledge system similar to his own, which needs both maintaining input and information input K in analogy to living systems. The first consists of repetitions of known words or their recombinations, increasing merely the number of tokens and maintaining, corroborating the existing knowledge system (repetitio est mater studiorum), the second one increasing the number of types builds new relations in the knowledge system and expands it. Thus the first kind is regulative, stabilizing, the sec-

ond one is self-organisatory. Using Method (i) in chapter 4. the first is displayed by horizontal points characteristic of stasis, the second displays vertical jumps characteristic of information avalanches (cf. e. g. Bak 1999). The TTR-curve is thus a typical devil’s staircase known from natural sciences. It is neither predictable how long a period of stasis will be nor the extent of information batches. The more the new knowledge system is stabilized the longer the periods of punctuated equilibria, the smaller and seldomer the vertical jumps.

4.

Measurement

Up to now three types of TTR-measurement were proposed. (i) Ascribing to the position of each token (x) the number of types (y) up to this position. This is the most usual practice yielding a monotone increasing series !token, typeO. (ii) Dividing the number of types up to position x by the position itself yielding a not monotone decreasing function !token, type/tokenO. There are some variants of this method considering not each token separately but pooling them e. g. by hundreds in order to achieve monotonicity. (iii) The Köhler-Galle method (Köhler, Galle 1993) using the formula: xT tx C T K N TTRx Z (1) N where x Z position in text (number of tokens up to position x), tx Z number of types up to position x (inclusively), T Z number of types in the whole text, N Z text length (number of tokens in the whole text), yielding rather a fractal which is even optically very characteristic of the text. Here we have Cx, TTRxD. Let us exemplify these methods using a letter written by F. Schiller in Figure 27.1. The words are in the first column, the tokens (positions) (x) in the second. In the third column the number of types up to position x is given (Method (i)); in the fourth column the data according to Method (ii), i. e. types/ tokens is given; in the last column one finds the numbers according to Köhler-Galle Method (iii); since there are T Z 80 types and N Z 100 tokens in the text, we obtain

363

27. The type-token relation Words

x

yx

yx/x

K-G

Words

x

yx

yx/x

K-G

O lieben Kinder wie sehne ich mich nach Euch Wie sehr verstimmt mich diese freundelose Einsamkeit In einer Wüste wollt ich mirs noch eher gefallen lassen dort hätte ich wenigstens mehr Raum Euch in Gedanken um mich her zu versammeln Möchtet Ihr so vergnügt sein als ich es nicht bin

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50

1 2 3 4 5 6 7 8 9 9 10 11 11 12 13 14 15 16 17 18 18 19 20 21 22 23 24 25 25 26 27 28 28 28 29 30 30 31 32 33 34 35 36 37 38 39 39 40 41 42

1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 0.90 0.91 0.92 0.85 0.86 0.87 0.87 0.88 0.89 0.89 0.90 0.86 0.86 0.87 0.87 0.88 0.88 0.89 0.89 0.86 0.87 0.87 0.87 0.85 0.82 0.83 0.83 0.81 0.82 0.82 0.83 0.83 0.83 0.84 0.84 0.84 0.85 0.83 0.83 0.84 0.84

0.802 0.804 0.806 0.808 0.810 0.812 0.814 0.816 0.818 0.810 0.812 0.814 0.806 0.808 0.810 0.812 0.814 0.816 0.818 0.820 0.812 0.814 0.816 0.818 0.820 0.822 0.824 0.826 0.818 0.820 0.822 0.824 0.816 0.808 0.810 0.812 0.804 0.806 0.808 0.810 0.812 0.814 0.816 0.818 0.820 0.822 0.814 0.816 0.818 0.820

Übermorgen ist es ein Jahr daß wir uns zum ersten mal von Angesicht zu Angesicht sahen Warum müßt Ihr gerade jetzt ferne von mir sein Ich würde einen so schönen Tag feiern können Aber Ihr Ihr werdet über lauter Zerstreuung kaum daran denken wie viele Ursache ich habe fröhlich zurückzusehen

51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100

43 44 44 45 46 47 48 49 50 51 52 53 54 54 54 55 56 57 57 58 59 60 60 61 61 61 62 63 63 64 65 66 67 68 68 68 69 70 71 72 73 74 75 75 76 77 77 78 79 80

0.84 0.85 0.83 0.83 0.84 0.84 0.84 0.84 0.85 0.85 0.85 0.85 0.86 0.84 0.83 0.83 0.84 0.84 0.83 0.83 0.83 0.83 0.82 0.82 0.81 0.80 0.81 0.81 0.80 0.80 0.80 0.80 0.81 0.81 0.80 0.79 0.79 0.87 0.80 0.80 0.80 0.80 0.81 0.80 0.80 0.80 0.79 0.80 0.80 0.80

0.822 0.824 0.816 0.818 0.820 0.822 0.824 0.826 0.828 0.830 0.832 0.834 0.836 0.828 0.820 0.822 0.824 0.826 0.818 0.820 0.822 0.824 0.816 0.818 0.810 0.802 0.804 0.806 0.798 0.800 0.802 0.804 0.806 0.808 0.800 0.792 0.794 0.796 0.798 0.800 0.802 0.804 0.806 0.798 0.800 0.802 0.794 0.796 0.798 0.800

Fig. 27.1: The type-token relation in Schillers letter “An die Weibchen”

here e. g. TTR1 Z [1 C 80 K 1 (80) / 100] / 100 Z 0.802, TTR2 Z [2 C 80 K 2 (80) / 100] / 100 Z 0.804 etc. The series are displayed in Figure 27.2 to 27.4. For modelling purposes evidently Method (i) is the most feasible but it does not mean

that the other ones, especially Method (iii), reminding us of renewal processes, of avalanches in sand piles and of theory of runs, would not bring another special insight. But up to now, nobody tried to follow this way, all efforts were concentrated at modeling

364

VI. Gebiete und Phänomene: Text / Fields and phenomena: text

Fig. 27.2: TTR for Schiller’s letter, Method (i)

Fig. 27.3: TTR for Schiller’s letter, Method (ii)

Fig. 27.4: TTR for Schiller’s letter, Method (iii)

the first curve. The text of Schiller’s letter in the example is too short in order to show longer periods of stasis but the longer the text the more clearly they are visible.

5.

Genesis and modelling

In general there are three approaches to characterize the TTR of a text. (i) To devise an index that characterizes in some way the vocabulary of a text. The majority of them takes into account the

lexeme number and the text length (number of tokens) or also a special frequency class (e. g. hapax legomena) or the whole distribution of lexemes and proposes usally a ratio of some quantities. Of this kind are e. g. Yule (1944), Kuraszkiewicz (1963), Guiraud (1954), Herdan (1960; 1966), Dugast (1979), Woronczak (1967), Ejiri/Smith (1993), Brunet (1978) etc. (ii) To devise a curve capturing the flow of information in text. Of this type are Herdan (1966), Mizutani (1983), Müller (1971), Maas (1972), Nešitoj (1975), Ratkowsky/Halstead/Hantrais (1980), Tuldava (1974; 1980; 1995; 1998), Orlov/ Boroda/Nadarejsˇvili (1982), Baayen/ Tweedie (1998), etc. In many cases the indices and the curves are pairwise transformable into one another. (iii) To start from a stochastic process generating new words and use the results for different purposes (vocabulary richness, prediction, TTR, frequency distribution etc.) Of this kind are e. g. Simon (1955), Haight/Jones (1974), Lánský/ Radil-Weiss (1980), Brainerd (1972), McNeil (1973), Gani (1975), etc. The bibliography is too long to be shown here completely (cf. Köhler 1995). In the series “Travaux de Linguistique Quantitative” a number of monographs concerning this problem appeared. As a matter of fact, all these indices, curves, distributions are acceptable, the problem is what do we want to capture and to which theoretical depth do we want to go. If we merely want to characterize the given text, then at least the comparability of the indices or curves should be guaranteed, i. e. with indices at least their sampling distribution should be known in order to be able to perform asymptotic tests; with curves and distributions we should care that they can be embedded in a more general theory. Though we admit that any text is generated according to some laws, we know that laws hold only if some general conditions (ceteris paribus) are fulfilled. However, the boundary conditions are in every text different and this is why every formula brings a bit of truth but holds merely for a restricted number of texts. Seen from another perspective, the flow of information is a process directed to an attractor which can be either very general and relatively stable or it can rise ad hoc

365

27. The type-token relation

through self-organization stimulated by the complex interplay of different factors (e. g. genre, school, communication aim, kind of hearer, etc.). If we consider text as a complex component system in which components can be switched on and off or old components can be exchanged for new ones (cf. Kampis 1991) K which is the usual technique of evolution K we see that one special model applied to a certain text must be merely a special case of a more general theory. Thus multiplicity of models is something quite natural in linguistics. We assume that all linguistic phenomena of a certain kind are generated by the same mechanism but the outcomes can display enormous variety. Here we show merely the simplest assumption due to Herdan (1966) concerning the measurement Method (i) in chapter 4. yielding graphs like Figure 27.1. It is the simplest special case of the theory presented by Wimmer / Altmann (cf. art. 55). If the text should fulfill a given purpose, there must be a well-balanced relation between the types and the tokens. It is the problem of information transfer strategy. In any case, the relative increase of types must be proportional to the relative increase of tokens: d (types)

d (tokens) w

types

tokens

,

(2)

or, if we denote types as y and tokens as x dy y

Zb

dx x

(3)

where b is the proportionality constant. This is the simplest case, which can be modified according to the theory set up by Wimmer / Altmann (cf. art. 55). The solution of this case yields y Z Cxb

(4)

c

with C Z e . The constant C follows from the fact that the first token of the text is its first type, i. e. 1 Z C1b 0 C Z 1. The parameter b takes values in the interval (0, 1); b Z 0 is not possible because the text would consist of repetitions of the same word; b Z 1 is possible only in a very short text in which each token is a new type. Thus Herdan’s TTR has the form y Z xb, x Z 1, 2, 3, ..., 0 ! b ! 1

(5)

determination coefficient yields D Z 0.9988. In general one should always begin with this curve and complicate the situation as the need arises. For example, in (3) one can replace b by a function g (x). The first problems arise when the texts get longer. We can be sure that longer texts do not arise in one go. The writer makes pauses which are either subjective (he drinks coffee or sleeps) or objective (new chapter, seeking inspiration). In the pause both the rhythm of the text changes and the author forgets which words were already used. Thus in the text structural breaks can arise that may have an extent of a catastrophe thwarting any smooth curve. The data are not any more homogeneous but for the theory homogeneity is a basic condition. This is why claiming a unique curve for all TTR cases is an illusion, this is why TTR predictions in the long run are so problematic, this is why we need a whole battery of TTR-formulas, whether indices or curves.

6.

Sampling, indices and curves

Since problems arise merely with the characterization of long texts which are not homogeneous, it is questionable whether computing the TTR for a whole (long) text does not distort the facts. Would it, perhaps, be more adequate to divide the text in several parts, compute the TTR for the parts separately and at last take a weighted average of an index or of the parameters of a curve? Perhaps, but the decision concerning the length of the parts would be so arbitrary that no better results could be obtained. Thus we must seek an approximative solution in the sampling distribution of the indices. Let us present here five most known indices set up with the aim to relativize the different length of texts. Let V be the extent of the vocabulary (types) and N the text length (tokens): C1 Z

V ON

(cf. Guiraud 1954) C2 Z

ln V ln N

(7)

(cf. Herdan 1960) C3 Z N V

Ka

Fitting (5) to Schiller’s letter by means of least squares we obtain b Z 0.9525 and the

(6)

(cf. Brunet 1978)

(8)

366

VI. Gebiete und Phänomene: Text / Fields and phenomena: text

C5 Z

ln2 N

50

(9)

ln N K ln V

40

ln N K ln V

(10)

ln N K 1

ln 2 N N ln N –1

13

30

(cf. Ejiri/Smith 1993).

13

C4 Z

20

All of them are adequate in some cases and all of them have a reasonable foundation. They represent different attractors: it is possible that texts arise under different regimes. Thus from the theoretical point of view it is not easy to decide which one is “better”. From the empirical point of view we can compare their usefulness. An index is useful (1) if we know which values it can attain, (2) if a lower value of the index signalizes a lower degree of the investigated quality, (3) if texts are comparable by means of the index. Let us first analyze the first two requirements. In Figure 27.5 the values of the above indices are given at the extreme points, namely when V Z 1, V Z N and N / N which is a purely mathematical consideration (cf. Wimmer/Altmann 1999, Wimmer et al. 2003)

10

ln N

02

4

6 N

8

10

Fig. 27.6: Interval for C4

3 2.5

N 2 1.5 1 1/ N

0.5

Index

VZ1

C1 C2 C3

1/ON 0 (N s 1) N (a O 0) N (a ! 0) ln N ln N/(ln N K 1) (N s 1)

C4 C5

N/N VZN

N/N

0 0 N N N

ON 1 Ka NN NKa N K

N 1 1 N K

1

0

0

Fig. 27.5: The range of the indices

Now, C5 is defined in N 2 C2, N) but requirement (2) is not fulfilled: the richer the text the smaller the index. Of course, a transformation is possible. C3 depends both on N and a, it moves in CN, N N K aD and it contradicts requirement (2), too. C4 is not defined for N Z 1 and V Z N. For N 2 C2, N), V 2 C1, N K 1D we obtain C4 2 Cln N, ln2 N / ln [N / (N K 1)]D yielding a wide interval shown in Figure 27.6. C1 is “fixed” merely for N / N, it lays in !1 /ON , ON O shown in Figure 27.7. Merely C2 has fixed boundaries but even here direct comparison is not possible even if logarithming makes the interval narrow.

2

4

N

6

8

10

Fig. 27.7: Interval for C1

In order to render the indices comparable one can set up an asymptotic test transforming the difference of index values (C(i) l , iZ 1, 2, l Z 1, 2, ., 5) of two texts in a random variable zZ

(2) C(1) l K Cl (2) OVar (C(1) l ) C Var (C l )

.

(11)

The indices are considered as random variables. Defining fx as the number of “words” occuring x-times, we have V Z ∑ fx, x N Z m or, equivalently, N Z ∑ x fx. Thus V x N V Z (m being the estimator of the mean m value µ of the distribution of words according to their occurence). For fixed (measured) N (the text length) is V a random variable with variance

27. The type-token relation

367

()

der to remove this empirical impossibility, Tuldava (1974; 1998) proposed the Tornquist curve

Var (V) Z N 2 Var z N2

( )

2

1

K

m2

1

m

Var (m) z

N 2µ2

z

m4 V

N 2 m2 Vm4

µ2

Var (V)

Var (C1) Z

Z

Vm

(12)

N 2 m2

Var (V)

Var (C 2) Z

, 4

Z V 2 ln2 N

V 3 m4 ln2 N

,

(13)

Var (C3) Z (KaVKaK1N V ln N)2 Var (V) Ka

a2 N 2V

Ka

C2

Z

m2 ln2 N

V 2aC3 m4

,

(14)

ln4 N Var (V)

Var (C4) Z

V2 (ln N K ln V)4 N 2 m2 ln 4N

Z

V 3 m4 (ln N K ln V)4

,

(15)

Var (V)

Var (C5) Z

2

V (ln N K 1)2 N 2 m2

Z

V 3 m4 (ln N K 1)2

(16)

which can be directly inserted in (11). We (2) can test the equality of two indices C(1) l , Cl (l 2 {1, 2, 3, 4, 5}) belonging to two different texts using the test statistics z given in (11). (2) Under the hypothesis C(1) z has the l Z Cl normalized normal distribution. The test can show that seemingly great differences of indices are not significant. In order to fit a curve obtained by measurement with Method (i) in chapter 4., formulas (6) to (10) can be solved for V as follows V Z CON C

(18)

VZN

V Z (ln N / ln C)1/ a V Z Ne C

K(ln² N) / C

VZe N

(17)

1KC

(19) (20) (21)

All these curves converge to infinity, a fact that can be tolerated cum grano salis. In or-

aN aK1CN

(22)

whose asymptote is a, i. e. a finite value. In a reparametrized form it can also be found in music (cf. Köhler/Martináková-Rendeková 1998).

7.

Nm2

N

by

m2

; V V µ2 is the variance of above mentioned word distribution and m2 is its estimate). The approximate variances of C1 to C5 can be found by Taylor expansion as follows (because of replacing Var (m) Z

VZ

Literature (a selection)

Baayen, R. Harald/Tweedie, Fiona J. (1998), Sample-size invariance of LNRE model parameters: Problems and opportunities. In: Journal of Quantitative Linguistics 5, 145K154. Bak, Per (1999), How nature works. The science of self-organized criticality. New York: Copernicus-Springer. Brainerd, Barron (1972), On the relation between the type-token and species-area problem. In: Journal of Applied Probability 19, 785K793. Brunet, Etienne (1978), Le vocabulaire de Jean Giraudoux, structure et evolution. Genève: Slatkine. Dugast, Daniel (1979), Vocabulaire et discours. Essai de lexicométrie quantitative. Genève: Slatkine. Ejiri, Koichi/Smith, Adolph E. (1993), Proposal for a new ‘constraint measure’ for text. In: Contributions to Quantitative Linguistics. (eds. Reinhard Köhler/Burghard Rieger). Dordrecht: Kluwer, 195K211. Gani, John (1975), Stochastic models for type counts in a literary text. In: Perspectives in Probability and Statistics. (ed. John Gani). London: Academic Press, 313K323. Guiraud, Pierre (1954), Caractères statistiques du vocabulaire. Essai de méthodologie. Utrecht: Spectrum. Haight, Frank A./Jones, R. B. (1974), A probabilistic treatment of qualitative data with special references to word association tests. In: Journal of Mathematical Psychology 11, 237K244. Herdan, Gustav (1960), Type-token mathematics. The Hague: Mouton. Herdan, Gustav (1966), The advanced theory of language as choice and chance. Berlin: Springer. Kampis, George (1991), Self-modifying systems in biology and cognitive science. A new framework for dynamics, information and complexity. Oxford: Pergamon. Köhler, Reinhard (1995), Bibliography of quantitative linguistics. Amsterdam: Benjamins. Köhler, Reinhard/Galle, Matthias (1993), Dynamic aspects of text characteristics. In: Quantita-

368

VI. Gebiete und Phänomene: Text / Fields and phenomena: text

tive text analysis. (ed. L. Hřebíček). Trier: WVT, 46K53. Köhler, Reinhard/Martinákova-Rendeková, Zuzana (1998), A systems theoretical approach to language and music. In: Systems. New paradigms for the human sciences. (eds. Gabriel Altmann/ Walter A. Koch). Berlin: de Gruyter, 514K546. Kuraszkiewicz, Witold (1963), Statystyczne badanie slownictwa polskich tekstów XVI wieku. In: Z polskich studiów slawistycznych. (ed. P. Zwoliński). Warszawa: Państwowe wydawnictwo naukowe, 240K257. Lánský, Petr/Radil-Weiss, Tomas (1980), A generalization of the Yule-Simon model, with special reference to word association tests and neural cell assembly formation. In: Journal of Mathematical Psychology 21, 53K65. Maas, Heinz-Dieter (1972), Über den Zusammenhang zwischen Wortschatzumfang und Länge des Textes. In: Zeitschrift für Literatur und Linguistik 8, 73K96. McNeil, Donald R. (1973), Estimating an author’s vocabulary. In: Journal of the American Statistical Association 68, 92K96. Mizutani, Shizuo (1983), Lecture on Japanese. Tokyo: Asakura. Müller, Werner (1971), Wortschatzumfang und Textlänge. Eine kleine Studie zu einem vielbehandelten Problem. In: Muttersprache 81, 266K276. Nešitoj, V. V. (1975), Dlina teksta i ob’em slovarja. Pokazateli leksičeskogo bogatstva teksta. In: Metody izučenija leksiki. Minsk: BGU, 110K 118.

Orlov, Jurij K./Boroda, Moisei G./Nadarejšvili, Isabella Š. (1982), Sprache, Text, Kunst. Quantitative Analysen. Bochum: Brockmeyer. Ratkowsky, David A./Halstead, M. H./Hantrais, L. (1980), Measuring vocabulary richness in literary works: A new proposal and a reassessment of some earlier measures. In: Glottometrika 2 (ed. R. Grotjahn). Bochum: Brockmeyer, 125K147. Simon, Herbert A. (1955), On a class of skew distribution functions. In: Biometrika 42, 425K440. Tuldava, Juhan (1974), O statističeskoj strukture teksta. In: Sovetskaja pedagogika i škola 9, 5K33. Tuldava, Juhan (1980), K voprosu ob analitičeskom vyraženii svjazi meždu ob’emom slovarja i ob’emom teksta. In: Lingvostatistika i kvantitativnye zakonomernosti teksta, 113K114. Tuldava, Juhan (1995), Methods in quantitative linguistics. Trier: WVT. Tuldava, Juhan (1998). Probleme und Methoden der quantitativ-systemischen Lexikologie. Trier: WVT. Wimmer, Gejza/Altmann, Gabriel (1999), On vocabulary richness. In: Journal of Quantitative Linguistics (6), 1K9. Wimmer, Gejza/Wimmerová, Sona/Ondrejovič, Slavo/Hřebíček, Luděk/Altmann, Gabriel (2001), Úvod do analýzy textov. Bratislava (to appear). Woronczak, Jerzy (1967), On an attempt to generalize Mandelbrot’s distribution. In: To honor Roman Jakobson. 2. The Hague: Mouton, 2254K 2268. Yule, Udney G. (1944), The statistical study of literary vocabulary. Cambridge: University Press.

Gejza Wimmer, Bratislava (Slovakia)

28. Stylistics, author identification 1. 2. 3.

Background and history Methods and measurements Literature (a selection)

1.

Background and history

1.1. Introductory remarks It is generally accepted that stylistic analysis, “the study of patterns formed in the process of the linguistic encoding of infomation, is of importance to any major research focusing upon or dependent upon the production or analysis of language” (Sedelow/Sedelow 1966, 1). Present-day stylistic studies have gradually been acquiring a strict systemic character. An increasing interest is also ap-

parent in the quantitative aspect, where the statistical and numerical counts of linguistic objects, the comparison and analysis of quantitative data, as well as the use of electronic computers, have given stylistics a more exact basis than hitherto. A quantitatively rigorous and intense study of style in natural languages has given rise to statistical stylistics (or stylostatistics, also called stylometrics or quantitative stylistics and, with the advent of computers, computational stylistics). Statistical stylistics deals with two interdependent issues: (1) investigating texts from the standpoint of individual or functional styles, and (2) investigating texts with a view of author identification, particularly in case of disputed or anonymous author-

369

28. Stylistics, author identification

ship. It has been noted that statistical stylistics is closely connected with language typology (e. g. Greenberg 1960; Herdan 1964; Alekseev 1983) and textology (Vašák 1980). New methods of research, such as factor and cluster analyses, discriminant analysis, path analysis, etc. make statistical stylistics even a more sensitive tool for analysis of individual and functional styles (genres, registers), including the style of fiction. The traditional qualitative methods will not disappear K they only get a good helpmate, a sufficiently precise instrument in form of statistical and other quantitative methods. It is also useful to remember the apt remark of V. I. Perebejnos (1967): “statistical methods enable us not only to check up the correctness of our intuitive views about style, but also establish such regularities, which could not be found by other methods”. (V. I. Perebejnos 1967, 233). On the whole, statistical stylistics has immediate, practical implications for the studies in various areas ranging from stylolinguistics and literary research to other social sciences (pedagogy, sociology, psychology, etc.). 1.2. Some principles of stylostatistical analysis As to the notion of style, we agree with the statement that “style is an amorphous allemcompassing entity which cannot be meaningfully discussed except from a specific viewpoint” (O’Donnell 1966, 108). From the viewpoint of statistical stylistics, it seems reasonable to proceed from the thesis that “style is a probabilistic concept” by which selection (choice), conscious or non-concious, can be considered the basic component of the style-forming process, emerging from the fact that there are several possibilities for expressing an idea where the speaker employs in selecting the most appropriate mode of expression from a set of alternatives (Doložel 1969, 10 ff.). In terms of the probabilistic approach, the repeated selective operation will result in the arrangement of set A into a probability distribution P {A} Z P (a), P (b) ... P (n).

(1)

L. Doložel in his essay “A Framework for the Statistical Analysis of Style” (Doložel 1969) has made an attempt to outline a probabilistic theory of style where he notes that a probabilistic approach reveals the stylistic stability behind the variability of concrete manifestations (i. e. the fluctuations of

frequency distributions). In practical work the student has to use specific statistical procedures K statistical tests K to distinguish between insignificant fluctuations which do not affect the basic character of style and significant fluctuations which signal differences in styles or stylistic change. The stilistic analysis is aimed at viewing and explaining an individual system of stylistic means, or (2) examining an individual system against the background of other, most often similar systems (e. g. discussing style as “deviation from norm” according to P. Guiraud, G. Kjetsaa and others, see chapter 2.4.). In both cases K (1) and (2) K the basic component of the style-forming process remains selection (choice), as accepted by many authors (cf. Krallmann 1966; Winter 1969; Lesskis 1973; Arnold 1974). The process of selection is controlled not only by subjective factors but also by objective factors in accordance with the requirements of context (in the broadest sense), such as time and place, genre, the form of discourse (dialogue or monologue), linguistic restrictions. The specification of the text characteristics K subjective or objective K requires the establishment of a pragmatic classification of texts (cf. Doležel 1969, 17 ff.). The set of a language, symbolically T (L), can be classified into two dimensions: (1) according to the subjective factors K T (Xi), i. e. classes of the texts produced by a certain speaker or writer, and (2) according to the objective factors K T (Qj), i. e. classes of texts in a certain context FQj . As the two criteria are independent, they can be applied in combination: T (Xi Qj)

(2)

to represent text sets by a certain speaker or writer in a certain context, giving classes T (X1 Q1), T (X1 Q2), ... T (X2 Q1), T (X2 Q2) ... etc. Formula (2) helps account for stylistic differences between the texts and provides a framework for the taxonomy of texts in stylostatistical analysis. A specification of the formula reveals (cf. Doležel 1969, 18K 19): (1) supra-stylistic features, i. e. stable characteristics in a language, which represent a backgound for stylistic differentiation of texts; (2) sub-stylistic features, produced by the significant fluctuations within the classes which are to be explained by the impact of inaccountable and undescribable (as yet) factors. (3) Eliminating both supra-stylistic and sub-stylistic characteristics from

370

VI. Gebiete und Phänomene: Text / Fields and phenomena: text

the text-style formula, we shall finally obtain a set of characteristics proper. Further specification of the style characteristics will lead to the disclosure of subjective, objective and subjective/objective “distinctive features” of style (cf. Doložel 1969, 21K22). Very often, the question is not only how to formally distinguish an individual or functional style (genre) from another one but also to give a qualitative interpretation of the formal quantitative text characteristics. In some of the recent style theories quantity and frequency as a source of style have been interpreted in a pragmatic and cognitive frame (cf. Nagy 1998). Also the interrelation of the expressive means of a language (e. g. emotional words) and the ideas expressed has been examined in statistical stylistics, particulary in poetics. In general, it seems reasonable to distinguish between two kinds of style characteristics, qualitative and quantitative (Tuldava 1998, 41K42): (1) latent (“covert”) variables, i. e. qualitative characteristics that the researcher has chosen and fixed for stylistic analysis but which are openly not observable and measurable, and (2) formal-statistical (“overt”) variables, or indicators which can directly be observed and measured in the texts. Undoubtedly, there has to exist a logical connection between the qualitative latent variables and the formal-statistical variables. In the framework of statistical stylistics this connection can only be oblique and probabilistic. The task is to establish good and appropriate indicators founded on experience and theoretically acceptable assumptions. The widespread qualitative stylistic notion of “lexical richness” which can be compared, under given condition, with the relative size of vocabulary or the ratio of hapax legomena (see 2.1.3.), might serve as an example. However, we have to remember that any interpretation of stylostatistical data has a highly hypothetical character, and only if both qualitative and quantitative approaches lead to similar results, the conclusion is more likely to be sound. “If they disagree, however, both sides must think again” (Williams 1970, 149). Besides providing criteria for formal-statistical and qualitative analysis, another problem has to be solved K the problem of sampling technique. It is clearly necessary that the sampled data are representative of

the work being examined. Of course, if the work under consideration is not too lenghty, one can use the whole of it. But even then it could be divided into several subsamples in order to assess the reliability of one’s measures. The main objective in selecting samples is to get an idea of the accuracy needed, with the least possible unnecessary work. C. B. Williams has noted: “There is no way of finding the best number size of sample without some preliminary survey and estimation of error. The number and size of samples depend on many factors, including: (1) what degree of accuracy is demanded by the question one is trying to answer; (2) how reliable one requires the result to be; (3) how variable is the material examined within itself; (4) when comparing two sets of data, how large is the difference between them in relation to the variability within each” (Williams 1970). The ways in which sampled data have been obtained substantially influence the methods of analysis. (For more about sampling methods in stylostatistic analysis, cf. Somers 1966, 129K133; Williams 1970, 31K32, 72K75; Martin 1976, 174; Enkvist 1978). 1.3. A historical survey The history of modern statistical stylistics apparently begins in the middle of the 19th century when the English mathematician Augustus de Morgan in 1851 made a suggestion that the styles of different authors could be distinquished by means of hidden statistical characters (cf. Lord 1958). His suggestions were made about some problems of Greek prose: he argued that the average length of words by an author might well prove to be a characterististic trait of a writer’s style. However, as we know, de Morgan himself did not make any actual counts (cf. Morton/Levison 1966; Bailey 1969; Williams 1970). There was also a group of mid-ninteenthcentury scholars developing a technique called “stylometrics” (Williams 1970, 3). They counted the numbers of repetitions of certain words and the variation of metre in verse. The researchers presented their results as averages or percentages. The school reached its height with the foundation, about 1874, of the New Shakespearean Society. Among the members of the Society were, e. g. F. G. Fleary (“On metrical tests applied to dramatic poetry I. Shakespeare”, (Fleary 1874)), J. K. Ingram (1874), F. W.

28. Stylistics, author identification

Furnival (1887). The main result of their work was the discovery of a slow but steady change in style during the twenty-two years over which Shakespeare wrote thirty-six plays starting in 1589 when he was 26 years of age and ending in 1612 when he was 48. The term “stylometry” (stylometrics) was also used by the German researcher W. Dittenberger (1880) who made an attempt to solve the task of attribution and chronology of the dialogues of Plato. He examined the frequencies of words, mainly function words, in Plato’s texts. Later on, his investigations on various material were continued by E. Zeller (1887), F. Cāda (1901) and C. Ritter (1903), the latter comparing Plato and Goethe statistically (cf. Martynenko 1988, 5). The development of the ideas of de Morgan was the work of T. C. Mendenhall, an American geophysician, who, between 1887 and 1901, studied word length in English. He realized that the distribution of words of different lengths gave more opportunities for comparison of styles than the simple aritmethic mean proposed by de Morgan. Mendenhall’s first paper entitled “The Characteristic Curve of Composition” (Mendenhall 1887) was an outstanding advance towards the present-day stylostatistical approach. He investigated the difference between the literary styles of Dickens and Thackeray insofar as the word-length ditribution was concerned and gave also examples of other writings in modern and classical languages. All his results were shown in the form of graphs (“word spectrums” as he called them), unfortunately without the lists of original numbers. In a later article (1901) Mendenhall used word-length frequency distributions in a study of the authorship of Shakespeare’s plays. He showed that in every single count from Shakespeare’s plays there were more words with four letters than three. In comparison, Bacon had more three-letter words than four-letter words. Bacon had also a distinctly higher proportion of longer words than Shakespeare. So the word-length distribution of Bacon was completely different from that of Shakespeare. Mendenhall’s published works seem to have attracted little attention at that time. In this early period of statistical stylistics only few investigations with the help of statistical methods can be reported, e. g. the study by L. A. Sherman (1888) on sentence-length in English prose. H. A. Parker (1896) studied

371 sentence-length in two works by Carlyle. C. Hildreth (1897) made a new contribution to the Shakespeare-Bacon controversy. W. Lutosławski (1897) used statistical methods in establishing the chronology of Plato’s dialogues, L. Frank (1909) wrote on the frequency of colour terms in Goethe’s works, P. Parzinger (1911) studied the evolution of Cicero’s style. In Russia the mathematician A. A. Markov (1913) applied statistical methods to the study of “Evgenij Onegin” by Puškin, and N. A. Morozov (1915) raised the problem of the means for distinguishing plagiate forms from the genuine works of well-known authors examining the use and the frequency of function words and their variations in individual texts. However, he employed only simple numerical counts. In the twenties of the 20th century only a few serious stylostatistic works can be reported, e. g. by R. E. Parker (1925), Z. E. Chandler (1928), M. Parry (1928) and, particularly, A. Busemann (1925), the inventor of the so-colled Verb-Adjective-Ratio which will be discussed in 2.2.1. In the thirties a new step was made in the use of statistical methods in stylistics by J. V. Fletcher (1934) who examined the evolution of the style of Spenser, G. M. Bolling (1937) with a critical essay on the statistical investigation of Homer’s language, and finally classics of statistical stylistics such as J. B. Carroll (1938) who raised the problem of “diversity” in a vocabulary, and U. G. Yule (1938) with his first study on the sentencelength distribution as a statistical characteristic of style and later, in 1944, with his wellknown study of literary vocabulary presenting his famous “Characteristic K”. With U. G. Yule the real start of the application of modern statistical methods in stylistics begins. Since then the study of stylistic problems with the help of statistical methods has spread throughout the world. Numerous concrete studies in the field of stylostatistics (concerning various languages) have attracted attention, beginning with the works of W. Fucks (1952) and P. Guiraud (1954 etc.). There was a rapid growth of interest in statistical linguistics, especially in the period of the sixties and the seventies; cf. J. B. Carroll (1960), G. Herdan (1960K), H. H. Somers (1960K), Ch. Muller (1964K), B. Kelemen (1964), L. T. Milic (1966), J. Mistrík (1967), L. Doležel (1969), C. B. Williams (1970), B. N. Golovin (1971), M. Těšitelová (1972), J. Kraus (1972), M. N.

372

VI. Gebiete und Phänomene: Text / Fields and phenomena: text

Kožina (1972), V. I. Perebejnos (1983), B. Brainerd (1973), T. Zsilka (1974), G. Engwall (1974), C. Hassler-Göransson (1976), G. Altmann (1978) K to mention only some of the authors of that period, and a great number of essays in the collections “Mathematik und Dichtung” (cf. Kreuzer/Gunzenhäuser 1965), “The Computer and Literary Style” (cf. Leed 1966), “Statistics and Style” (Doležel/Bailey 1969), “Voprosy statističeskoj stilistiki” (cf. Golovin/Perebejnos 1974), “The Computer in Literary and Linguistic Studies” (cf. Jones/Churchhouse 1976), and many others, and in series, e. g. “Prague Studies in Mathematical Linguistics” (1966K), “Studia metrica et poetica” (1976K), “Glottometrika” (1978K), in the “Journal of Quantitative Linguistics” and in the Theses and Proceedings of numerous conferences in quantitative linguistics. The most recent works are also very numerous, among them mention can be made of the monographs of P. Thoiron (1980), P. M. Alekseev (1984), M. Těšitelová (1985), R. Köhler (1986), V. M. Arapov (1988), G. J. Martynenko (1988), L. Hřebíček (1992), J. Tuldava (1995; 1998), and some special studies on text attribution (assignment of authorship) and textology, written by G. Kjetsaa et al. (1984; 1986), P. Vašák (1980), G. Ermolenko (1988), V. V. Levickij (1989), and M. A. Marusenko (1990), where stylostatistical methods have been used. Also various surveys have appeared from time to time, e. g. by J. Thavenius (1966), G. Herdan (1966), R. W. Bailey (1969), C. B. Williams (1970), M. Těšitelová (1977) with bibliographies. Special bibliographies, devoted to statistical stylistics, can be found in “An Annotated Bibliography of Statistical Stylistics” by R. W. Bailey and L. Doležel (1968) and in the lately published “Bibliography of Quantitative Linguistics” by R. Köhler (1995, 377K401), in Section “Stylistics”.

2.

Methods and measurements

The importance of making use of suitable methods, incl. appropriate stylostatistical characteristics (style-identifying markers, distinctive features, discriminators, criteria) cannot be overstressed. Many linguistic characteristics on various levels K lexical, grammatical, phonetical, semantic-pragmatic levels K have been proposed as criteria of style which

can serve as markers in identifying and comparing texts and their authors. A choice of the most typical and well-known methods and measurements used in the works of competent scholars in the field of statistical stylistics, mainly in the last half of the 20th century, will be examined. 2.1. Lexical criteria A good insight into the mind of a writer by statistical methods is obtained by the study of his vocabulary and its usage in texts. The suitable criteria must be quantifiable and measurable. Words and word groups appear to be easily countable and measurable and their organization can be studied rather unsubjectively. Certain quantitative aspects of the use of words can be regarded as persistent in a given text or group of texts (e. g. a genre) and can describe the style in a satisfactory way (cf. Herdan 1966, Bailey 1969, Williams 1970, and others). J. Kraus (1969) distinguishes between micro- and macro-statistical analysis of vocabulary. On the micro-level it means the analysis of word characteristics “proper” K frequency, length, age, semantics K but on the macro-level it means the analysis of vocabulary characteristics in relation to some overall linguostatistical qualities, such as distribution, concentration, diversity, “coverage” (see 2.1.3.). 2.1.1. Micro-level On micro-level there have been numerous stylostatistical investigations concerning the frequency and use of both meaningful (autosemantic, content) and function (synsemantic, auxiliary) words. A. McKinnon (1978) examines most frequent words and the clustering of Kierkegaard’s works, many researchers have examined an author’s vocabulary development through time: changes, growth, decrease of vocabularies (e. g. Bailey 1969; Burwick 1969; Williams 1970; Engwall 1974; Thoiron 1980; Tuttle/Stanich 1988). Such investigations lead to significant discoveries about an author’s style, they direct attention to psychological factors or cultural influences on a writer’s behaviour, and can be employed to determine more reliably the chronology of works by the same author. B. Brainerd’s (1983) essay on “A stochastic model for language change” is of methodological interest; cf. Mańczak (1980), Altmann/Buttlar/Rott et al. (1983), Arapov (1983).

28. Stylistics, author identification

Function words can also be a fertile source of discriminators, they respond in a very sensitive manner to style, not only to differ functional styles but also individual style of the authors (cf. Těšitelová 1976). Thus, the use and frequencies of articles and pronouns (Krámský 1967; Brainerd 1972), conjunctions (Krámský 1983), prepositions, particles and other auxiliary words (for recent works cf. Hug 1998) have been examined in relation to style. Analysing and comparing the statistical data concerning word usage in various texts, the researchers have mainly used the Chisquare-test but also more refined methods such as computation on the basis of Bayes’ Theorem (Francis 1966, 51 ff.). Sometimes simply ocular comparison has given the needed result, so, e. g., when examining Swift’s style, the tendency to use connectives (and, or, but, for, etc.) where they are not really needed, and the accumulation of connectives both in initial and medial position in Swift’s writing, is conspicuous, in comparison with the respective frequencies of connectives in samples taken from Addison, Johnson and Macauly (cf. Milic 1966). Among the meaningful and function words under examination, the so-called “key-words” (plus- and minus-words) are singled out as they are assumed to reflect sensibly the peculiarities of individual style because they essentially differ from a certain standard (“norm”) or from other texts and authors (cf. Guiraud 1954; Ellega˚rd 1962; Ager 1976; Helbich 1978; McKinnon 1980; Shaikevich 1994). Often some specific aspects have been studied from the stylostatistical point of view, for instance, the mixture of “native” and “borrowed” words in Towneley Plays (viewed by Anttila 1967), the incidence of conciously archaic words in Spenser (cited by Bailey 1969), or the use of emotional words and expressions, e. g. proverbial sayings in Ibsen (Anstensen 1936), metaphors in Wilfred Owen (Landon 1969). B. O’Donnell (1966) has pointed out that many characteristics which are not ideosyncratic and which appear in practically all types of writing discriminate well when their pattern of interrelation can be used. In this connection, the employ of concordances can be mentioned (cf. Allén/Thavenius 1970; Tallentire 1976), or the use of word associations which can be valuable stylistic dis-

373 criminators (cf. Mosteller/Wallace 1963; Sedelow/Sedelow 1966; Altmann 1992). It has already been mentioned (in the historical survey, cf. 1.3) that the earliest investigations in statistical stylistics were made by means of word length measurements. Later many researchers have considered it a perspective idea to employ the results of word length studies in order to characterise languages, functional and individual styles. Illustrative examples can be found in the books and essays of Muller (1964), Arens (1965), Fucks/Lauter (1965), Herdan (1966), Williams (1970), Zsilka (1974), Martin (1976), Kjetsaa (1981), Alekseev (1986), Těšitelová (1987), Schmidt (1996). Word length studies have also been carried out in psychiatric investigations, e. g. by Reynolds/ Pylyshin (1970). Experimental data have been compared by various methods, especially by Chi-square-test and KolmogorovSmirnoff-test, graphically and with the help of analytical functional analysis (cf. Kjetsaa 1981; Tuldava 1998, 98 ff.; and many others). 2.1.2. Macro-level On macro-level the frequency distributions of words are used in two ways: (1) in the form of rank-frequency lists (analogical to frequency dictionaries), and (2) in the form of the so-called frequency, or lexical spectra (cf. Tuldava 1996), i. e. in listing the number of words occurring once, twice, thrice, etc. Frequency distributions of vocabulary have often been considered as a possible means by which an individual expresses his personality (cf. Bailey 1969, 220; referring to Baker (1951), who examined the linguistic behaviour of a paranoic schizophrenic). J. Tuldava (1998, 64K65) regards the variation of Zipf’s parameter γ in different frequency zones as a stylostatistical characteristic of functional styles and languages. One of the possibilities to evaluate the frequency spectrum from the stylostatistical point of view is the comparison with WaringHerdan distribution (Herdan 1964). It reveals stylistic peculiarities and illustrates typological differences between the distributions. The value of this method lies in its simplicity, since it only employs unmodified data K text size N, vocabulary size V, and the number of once-words V1 (For details and practical examples cf. Muller 1967; Muller 1968; Muller 1969; Tuldava 1995, 124 ff.). Another well-known and estimable method for stylostatistical evaluation of the

374

VI. Gebiete und Phänomene: Text / Fields and phenomena: text

frequency distribution (spectrum) is the Characteristic K, proposed by G. U. Yule (1944) and its modification marked Vm, by G. Herdan (1966, 101 ff.). They belong to the kind of “summary” parameters in quantitative linguistics as they are expressed as simple numerical values. Other criteria of the same kind are, e. g. Simpson’s index of diversity, adapted for linguistic use by C. B. Williams (1970, 96 ff.), and the informational measurement of entropy for evaluation of a linguistic distribution as a whole, practically employed in many investigations, e. g. by Piotrowski (1968), Herdan (1966, 272 ff.), Zsilka (1974), Arnold (1974), etc. Yule’s formula for the Characteristic (K) is: K Z 104 (S2 K S1) / (S1)2 Z 104 (S2 / S1) K 1 / S1)

(3) 2

where S1 Z Σfx X and S2 Z Σfx X . Here is X the frequency, fx is the occurrence of X, i. e. the number of words with the frequency of X. The number 104 is introduced simply to avoid the inconvenience of handling very small decimals. For large samples the expression of 1/S1 (in formula 3) becomes negligibly small and we can write K* Z 104 (S2 / S1).

(4)

Yule’s Characteristic measures the repetitiveness, or “uniformity” of vocabulary. In its reciprocal form it expresses stylostatistical “diversity” of vocabulary. The coefficient is practically independent of the sample size, excluding small and very large samples (Williams 1970, 103). At first Yule considered the possibility of using K as an index of “richness” of vocabulary but on closer examination had to abandon that interpretation and then he explained the value of K only as an “index of concentration, measured approximately for large samples by the ratio S2 / S 21”. As Herdan (1966, 101K102) points out, Yule’s derivation of his Characteristic K is only possible under the assumption that the occurrences of a word are governed by the Poisson Law. Herdan’s modification (also called Yule-Herdan Index) is expressed by the formula (V K size of vocabulary; Vx K coefficient of variation): Vm Z Vx / OV

(5)

which represents the coefficient of variation of the mean where no assumption has been

made about the variate being governed by the Poisson Law or any other stochastic process (For the derivation of Vm cf. Herdan 1966, 424K425; Nikitopoulos 1973, 60K 61). In comparison with Characteristic K the square of Vm (i. e. Vm2 ) is approximately equal to K* (formula 4). It represents a measure of concentration of vocabulary with larger effect on words with high frequency (Muller 1968, 169 ff.). For a qualitative interpretation additional content analysis is needed. Practical examples for using K or Vm can be found in works of Anttila (1963, 84 ff.), Herdan (1966, 106 ff.), Muller (1964, 86 ff.; 1967, 105 ff.); Holstein (1965, in a study of the language of schisophrenic persons); Bennett (1969) and others. An index which expresses the relation between vocabulary and text is the so-called “Type-token ratio” (cf. art. No. 27). It represents the ratio of vocabulary size (V) to text size (N), i. e. V / N. Conversely, the ratio N / V represents the average frequency, or repetitiveness of vocabulary items. It is well known that the TTR-index as well as the average frequency are not stable indicators if the length of text is not constant. If one wants to compare texts where only N and V are known, one has to use samples of the same length, or to modify the indexes, for instance, by taking logarithms K logV / logN, proposed by Herdan (1960), which can be satisfactory when dealing with small samples, or loglogV / loglogN, proposed by Somers (1959), based on longer texts. The TTRindex and its modifications are meant to express in a most immediate way the relative size of vocabulay, sometimes called lexical “richness” of vocabulary. (More about this notion cf. Thoiron/Labbé/Serant 1988; Thoiron 1995; and 2.1.3.) The rate of increase of vocabulary with increase of text size can also be used as a stylostatistical characteristic (cf Williams 1970, 90K95; Tuldava 1995, Chap. 2.3, and 1998, Chap. 8). Several methods have been used in stylostatistical studies to measure lexical connection (closeness or distance) of texts, particularly, to compare the lexical compositions of two texts. At present there are two main approaches to the comparison of the vocabularies of two texts. In the first case the closeness or distance of the texts with regard to their lexical composition is measured considering the degree of coincidence (overlap) of the vocabularies or the correlation be-

375

28. Stylistics, author identification

tween the word frequency distributions (taking into account the fact that the words have different frequencies of occurrence in the compared texts). Special measures, such as the coefficients of association, correlation and contingency have been used (cf. Herdan 1966; Sambor 1974; Geens 1991). The second approach is characterised by an entirely different view of the notions of connection or correlation between vocabularies. Here the investigator does not proceed from the requirement of coincidence or the degree of identity of vocabularies but from the assumption of the probability distribution of word frequencies in a “joint text” according to the method proposed by Muller (1968, 210K214). For the comparison of vocabularies of two texts an experiment of combining the vocabularies into a whole should be carried out, taking into account the repeated use of words in both texts. The observed word frequency distribution will be compared with a theoretical model and the hypothesis of homogeneity will be tested by a statistical criterion. Beside this, it is possible to carry out qualitative stylistic-semantic analysis of the lexical composition of the copared texts (For practical examples and interpretation cf. Tuldava 1995, Chap. 7; and 1998, 156K161). 2.1.3. Coverage A useful method for analysing the structure of vocabulary in stylostatistics is the computation of ratios based on the so-called coverage (Abdeckung, pokryvaemost’), which represent the relation of certain fractions of the vocabulary to the whole (vocabulary or text). The ratio, or proportion V1 / V, i. e. the number of once-words (hapax legomena) in relation to the respective vocabulary size, is widely known as an index of diversity, or richness of vocabulary (proposed by Guiraud 1954). The ratio V1 / N, i. e. the number of once-words in relation to text size, has also been used for the same purpose. If a text includes a relatively large number of words with frequency 1, it may testify to the author’s wish to find image-bearing expressions, choose rare or peculiar words, or avoid repetition of words. On the other hand, an insignificant share of words with frequency 1 is a sign of spontaneity of expression, dependence on the content of thought, but sometimes a sign of banality and commonplaceness. Thus, the value of

the index should be evaluated “not from the aesthetic position, but from the viewpoint of functional suitability and co-ordination” (Mistrík 1967, 43). Mistrík has formally strengthened the significance of once-words by multiplying the number of once-words by 20, thus getting a formula which he calls the index of “exclusiveness” (in our notation): Ie Z 20 V1 / N

(6)

and constructing the complementary value, the index of gravity: Ig Z 1 K Ie Z 1 K (20 V1 / N),

(7)

with other words, the portion of words with the frequency of more than one (F O 1). Mistrík computed also the distances between the occurrences of the same word and constructed an index of “stereotypeness” which may characterise the style of low diversity: Is Z (N K V) / (V K V1).

(8)

M. Těšitelová (1972; 1977) measures lexical richness of vocabulary by three coefficients expressing size (R), dispersion (D), and concentration (K): R80 Z 100 (V / 0.8 N) or R70 Z 100 (V / 0.7 N)

(9)

counting with 80 % of text, if one considers as meaningful the categories of nouns, adjectives, pronouns, numerals, verbs and adverbs, and with 70 % of text, if one omits pronouns and numerals; D Z 100 (Vi10 / V)

(10)

10

where V1 is the number of meaningful words in the frequency interval F Z 1 . 10, and K Z 100 (N110)

(11)

which expresses the cumulative frequency of the 10 most frequent words (or word forms) in the given text in general. As the top of any frequency dictionary of a text usually does not contain meaningful words (or there are only a few of them), the index (11) in its essence measures the concentration of function words, primarily conjuctions, prepositions, and some pronouns. A well-known index of lexical concentration was proposed by Guiraud (1944): CZ

(∑ ) / N 1

50

(12)

which expresses the portion of cumulative frequency of the most frequent 50 meaning-

376

VI. Gebiete und Phänomene: Text / Fields and phenomena: text

ful (autosemantic, content) words in the given text. A high value of the index shows that the author concentrates his attention on a relatively narrow range of words with full meaning which are used in the given text very often. This can testify to thematic compactness, to the concentration on the main theme, in some cases also to stock phrases. A comparison of 7 Estonian fiction texts (by 7 authors) has shown great differences, e. g. the values of the index vary from 0.10 to 0.057, i. e. the most frequent meaningful words from the vocabulary of the first text cover as much as 10 % of the text, whereas in another text the 50 most frequent meaningful words cover only 5.7 % of the text, that is, the degree of concentration of autosemantic lexis is nearly half as small (cf. Tuldava 1995, 77). All kinds of coverage ratios, especially indicators of lexical “richness” (diversity, variety of vocabulary, relative size of vocabulary, etc.) as stylostatistical characteristics have been used by many researchers in the form of diverse combinations of vocabulary items and their groups, e. g. by Muller (1968), Woronczak (1965; 1972), Enkvist (1978), Ratkowsky/Halstead/Hantrais (1980), Tuldava (1993; 1998, Chap. 4.3). In most cases one has to take into consideration the fact that the values of the characteristics depend on the sample size. For comparison, samples of the same size have to be used, or the values have to be modified (by logarithmization or some other procedure, cf. Baayen/ Tweedie 1998). Besides, one has to remember that the stylostatistical (formal) evaluation needs careful qualitative analysis and interpretation. 2.2. Grammatical criteria Grammatical properties of individual and functional styles have generally been approached in statistical studies of morphological word classes, of syntactical and, to some extent, of phonetical characteristics. 2.2.1. Morphological level Frequencies and frequency distributions of all kind of word classes, mostly traditional parts of speech, have often been used in stylostatistical investigations concerning differences and resemblances between authors and genres. Since G. U. Yule’s (1944) pioneering study of noun frequencies, many researchers have examined the usage of parts of speech in texts from various languages,

e. g. Muller (1967, 113 ff.), comparing English authors; Kraus (1972), with a stylisticsemantic analysis of adjectives in Czech journalistic style; Herdan (1966, 121 ff.), examining the stability of grammatical forms in Russian texts; Zsilka (1974) with a comparison of the frequency distributions of parts of speech in Hungarian; Ross (1977) about the use of parts of speech in Keats’ sonnets; Jakubajtis (1981) and Klavina (1983) about the parts of speech and text types in Latvian and Žilinskene (1981) in Lithuanian; more recently Best (1994) about word class frequencies in contemporary German short prose texts, and Tuldava (1998, 111 ff.) with a review of frequency distributions of word classes in different languages. For the statistical comparison of frequency distributions the Chi-square-test and Kolmogorov-Smirnoff-test, sometimes also the informational entropy measures are used. Considerably more information may be found from grouping and interaction of word classes from the stylostatistical point of view (cf. Altmann 1978; Altmann 1988). The pioneering work was done by A. Busemann (1925) who studied the relation between the frequencies of “active statements”, expressed in words that “imply action” (as he called it), and “qualitative statements”, expressing “properties”. Later, V. Neubauer and A. Schlismann (cited by Antosch 1953) simplified the method by restricting active statements to verbs and qualitative statements to adjectives and adjective-modifiers, and the formula was altered to a simplified form, known today as Busemann’s Verb-Adjective-Ratio (VAR): VAR Z (Number of Verbs) / (Number of Adjectives).

(13)

The interaction between the usage of verbs and adjectives is supposed to express the contrast between two possibilities of characteristing an event K by verbal action or by qualitative-adjectival description (e. g. in poetic language: “Nature smiles” vs. “Nature is bright/propitious”). The higher the value of VAR, the higher the preference of activeverbal form of expressing an idea by the speaker or writer. Busemann noted that the VAR was higher in spoken language than in the “written” language, i. e. in conversational vs. non-conversational style. F. Antosch (1953; 1969) observed a gradual decline from the VAR of the dialogue (which

377

28. Stylistics, author identification

is closer to the spoken language) to the monologue, and further to the narrative passages in German literary texts. A gradual decline from the verbal-active style of the characters of Goethe’s “Faust” was also observed in the speech of Gretchen (VAR Z 5.43), Wagner (4.04), Mephistoteles (3.08) and Faust (2.60). One could conclude that the VAR values of the characters are not accidental but a function of the character’s personality, here reflected in the work of a great writer. Since Busemann’s work, numerous other interactive characteristics in the form of ratios within word classes have been proposed and practically used. For instance, the ratio (Number of Adjectives) / (Number of Nouns)

(14)

refers to another type of “qualitative” style, taking into consideration that “some authors are more prone than others to use adjectives to qualify nouns” (Williams 1970, 143): e. g. Shakespeare in a 1000-word sample from 10 plays had 0.51 adjectives per noun, Macaulay in his essay on Francis Bacon K 0.57, but Sitwell in his essay on d’Annunzio K 0.64, i. e. about two adjectives on three nouns. The ratio (Number of Nouns) / (Number of Verbs)

(15)

measuring the degree of “nominality” (nominal expression) has been used by Golovin (1974, 12), Zsilka (1974, 72), Těšitelová et al. (1987, 187) and many others. Some indexes are of the complex type, e. g. the ratio of the number of Adjectives C Adverbs to the number of Nouns C Verbs which expresses “qualitative characterization”, and the ratio of the number of Nouns C Pronouns to the number of Adjective C Verbs represents “materiality” (“predmetnost’” according to Golovin 1971, 147 ff.). The usage of the inflected forms of nouns and verbs have also been subject to stylostatistical study, e. g. comparing the use of Perfect and Preterite in British and American English (Dušková 1976). 2.2.2. Syntactical level In applying stylostatistic approach to syntax the sentence structure and the sentence length have usually been investigated. The quantification of syntactical structures discloses certain proportionalities that

are obviously characteristic of sentence types in various functional styles (genres). So, for instance, M. Těšitelová (1980, 205) has found in Czech artistic texts more than 50 % of simple sentences, about 30 % of subordinative complex sentences and 15 % of coordinative complex sentences. In technical texts there are more than 50 % of subordinative complex sentences, 40 % of simple sentences and 10 % of coordinative complex sentences. C. W. Hayes (1969) has detected differences between individual styles on the basis of such structural phenomena as nominalization, transformation (active K passive), embedding, etc. B. N. Golovin (1971, 78 ff.) has employed characteristics of modality (narrative, interrogative, etc.), tense and aspect as stylostatistical indicators, N. Rusova (1974) has presented an extensive register of grammatical (and semantic) characteristics of sentences which can serve as stylostatistical discriminators. Vulanović (1995) has introduced a model-based method for quantitative representation of syntactic change (in Polynesian languages). J. Miles (1967) has quantitatively and qualitatively studied the typical and favoured sentence patterns in the history of English and American literature (between 16th and 20th centuries). There have also been investigations in the specific field of “positional stylometry” (Michaelson/Morton 1973), where the position of sentential elements, sentence initial structures, seriation, etc. are examined in order to distinguish different styles (cf. Krallmann 1966, 169 ff.; Milic 1966; Koeber 1967; Winter 1969; Tanaka 1989, 179 ff.). Some scholars have been working on text units larger than a sentence. W. Świeczkowski (1961) has studied inter-sentence connection in an attempt to show variations in cohesiveness in different types of prose (cited by Bailey 1969, 222). The investigation of sentence length has been very popular since the pioneer works by L. A. Sherman and H. A. Parker (see 1. 3.) and G. U. Yule (1938K1939) in characterising styles as well as in authorship studies. Only some of the practical and theoretical investigations may be mentioned: Kraus (1974), Kent (1976), Tallentire (1976), Kjetsaa (1981), Uhliřová (1987). G. Altmann (1983) has examined the relation of sentence length and word length from the synergetic point of view where the parameters can be used in stylistic analysis.

378

VI. Gebiete und Phänomene: Text / Fields and phenomena: text

Some researchers have examined sentence length combined with word length in readability (text complexity) studies (first Flesch 1948; cf. Tuldava 1993). 2.2.3. Phonetical level Phonetical (or phonological) characteristics have mainly been used in stylostatistical investigations of poetics. Some examples: In “The phonological aspects of style” by H. D. Hymes (1960) the author proposed a method which involved ranking the vowels and consonants in a poem according to their weighted frequencies and examining the poem for “summative words” that act as a nexus of sound and sense (illustrating it with several sonnets by Wordsworth and Keats). L. G. Jones (1969) in a study of tonality in Russian verse analyses the frequency distributions of phonemes as bundles of distinctive features (vocalic, consonantal, diffuse, compact, nasal, etc.) and compares the phonological patterns of prose and conversation style. C. B. Williams (1970, 105 ff.) examines statistical characteristics of rhyme and rhythm in terms of long and short syllables and shows differences in their sequences in the works of different English and Latin poets. T. Zsilka (1971) compares nine Hungarian poets with regard to the frequency of vowels vs. consonants and the length of syllables. G. Kjetsaa (1976) has compared “sound and meaning” on the basis of frequency distributions of graphemes in Lomonosov’s poetry. P. Vašák and S. Mazáčová (1976) have examined the frequencies of rhyme and “rhythmic types” of various Czech poets. Phonetical and phonological characteristics have also been employed in comparative studies of texts, e. g. M. Ludviková (1976) studies differences and resemblances between two spoken texts on the syllable level and compares the conditions of “covering” the text, i. e. counting the percentages of 10, 50, 100 most frequent units in different samples, examining also phonotactical characteristics (syllable types in terms of CV-sequences), which all appear to be good discriminators of styles. Phonotactical characteristics of Polish texts have been studied by H. Bluhme (1971). Frequency distributions of phonemes and biphonematic groups in the speech of aphatic persons have also been studied in psychiatric investigations, e. g. by L. Mihăilescu (1970). For some other remarkable works in the field of using pho-

netical characteristics see: R. Grotjahn (1979, 90 ff.), D. H. Crisholm (1982), G. Altmann (1988, 92 ff.). Sometimes phonetical characteristics have been used in comparative studies of functional styles (cf. Perebejnos 1967; Kohrt 1998) and languages (Strauss 1980; Veenker 1982; Tambovcev 1986; Rothe/Zörnig 1989; Zlatoustova 1994; Tuldava 1995, 176 ff.). 2.3. Semantic criteria Stylistical characteristics on the semantic level can be subdivided into objective and subjective characteristics. Among the objective stylistical characteristics simple semantic descriptions of word classes can be mentioned, such as nouns represented by the categories of concrete K abstract, animate K inanimate, etc., verbs represented by the categories of action K statics (non-action), and others. But generally the use of such universal categories is highly influenced by the subject or theme, which is more dominant in discourse than the influence of personal style of an individual. A refinement of this approach was proposed by J. B. Carroll (1960; 1969) and by K. Kroeber (1969). For instance, K. Kroeber examined certain specific groups of words arranged in clusters refferring to human beings, such as nouns expressing the body and verbs expressing bodily movements, verbs of “psychic action” (e. g. believe, hope, know, like), descriptive adjectives (dear, sure, happy, handsome, agreeable, etc.), adverbs answering the question “how” and ending in -ly (hardly, simply, gradually, etc.). The fixed groups were then studied quantitatively and qualitatively on the material from the texts of four English authors, and individual differences were established between the examined authors. Analogous attempts at semantic-thematic analysis were also made by many other researchers, e. g. by J. Kraus (1974) who attempted to analyse semantic characteristics of adjectives from the quantitative point of view, G. Silnitsky (1993) whose actual task was the establishment of empirically valid relations between different types of verbal meanings where he distinguished between two mutually independent dimensions of verbal meanings: “chronostructural” and “thematic”. The thematic components were grouped into 20 verbal classes, e. g. “locomotion” (including such verbs as move, fly, rise/raise), “location” (stand, lie/lay, put, place), “physical and

28. Stylistics, author identification

physiological processes”, “perception”, “cognition”, “emotional processes”, etc. For a practical realization of this method see, e. g. N. A. Schmidt (1996). Subjective measures are secured partly by interpretation of results of objective characterization, partly using judging procedures, i. e. by carrying out experiments of style evaluation by qualified informants (experts), e. g. by evaluating current ideals of style (plainness, expressiveness, clarity etc.) (cf. Carroll 1969; Königová 1976; Tuldava 1995, 93 ff.). Beside psychometric evaluation also sociological and, in the broad sense, pragmatic characterization have been used in stylostatistics. Already in 1964, J. N. Winburne sketched the outlines of a quantitative discourse analysis “a method of continuing descriptive linguistics beyond the limits of a single sentence” (after Z. S. Harris, cited by Herdan 1966, 443). A. B. Ellis and F. A. Favat (1966) pointed to some possibilities of quantitative analysis of “leitmotifs” carried out on the basis of the General Inquirer Dictionary (Bailey 1969, 222). Uhliřová (1993) analysed parts of the sentence, seeking evidence of their communicative significance in text structure. Searching for a model of analysis which would unite form and content, T. PitkänenKoli (1989) proposed to employ the principles of “Systemic Grammar” (after Halliday), which would “open up a new area for style markers for qualitative and quantitative analysis and bring linguists closer to the study of literary structure, thematic development, and point of view ...” (Enkvist 1973). The model, proposed by Pitkänen-Koli, analyses the cause-effect action clauses for subject, predicative verb and object, as well as other types of predicate verbs, mental (reaction, perception, cognition and verbalization) and relation predicates and their subjects, either causer or affected. The use of the method has practically been demonstrated on some Swedish fictional texts. Another method of pragmatic-semantic analysis based on a number of substantial parameters assumed to be closely connected with the basic style-formative features was proposed by S. O. Savchuk (1994) who analysed the parameters (after M. M. Bakhtin): the speaker’s reference to the subject of the speech, the reference to the addressee and to another one’s statements on the same subject. A corpus of texts belonging to three

379 main styles in Russian was analysed. The method of analysis could also serve as a basis for stylistic typology of texts. Further examples of objective and subjective characterization in stylostatistics will be examined 2. 4. (Complex criteria). 2.4. Complex criteria A carefully reasoned case of stylostatistical investigation and comprehensive analysis is often based upon a complex of criteria. The real desideratum is “to develop objective measures of several different significant aspects of style” (Bennett 1969, 41). It is advisable to select heterogeneous groups of style markers which include characteristics from diverse language levels. 2.4.1. Combined characteristics As an illustrative example of a stylostatistical analysis with a combination of criteria, the investigation by C. Hassler-Göransson (1976) may be mentioned. A number of Swedish writers (twenty men and twenty women) over a period of 100 years were compared by means of 17 characteristics, including formal lexical features (size of vocabulary, coverage by the ten most frequent words, sentence length) and semantic properties (the relative frequency of abstract and concrete nouns, frequencies of words with visual, acoustic, temporal and some other pragmatic aspects of meaning). The examined samples, one from each author, consisted of 2,500 running words of text, and every decade of the century 1880K1979 was represented by two male and two female recognised authors. The analysis was carried out by correlation analysis and by some other tests. The intention was to demonstrate possible differences in styles between sexes and between different time periods. For the formal lexical variables no significant differences between male and female authors were found, but within several semantic-pragmatic aspects sex and time variation was considerable. For instance, for the “visual” words (words denoting see, shine, pale, bright, colours, etc.) the tests showed that on the whole, the women were more visually oriented than the men though the reverse was true for the earlier periods. For both sex groups “concrete” words as well as the groups “person identifiers”, “human”, “religion” and “nature” appeared more often during the earlier part of the investigated time span than in the later part,

380

VI. Gebiete und Phänomene: Text / Fields and phenomena: text

whereas the relation was inversed for some other groups, viz. “culture”, “profession”, “politics”, etc. Many other investigations based on combinations of characteristics have been carried out by means of various methods, see e. g. W. Gibson (1966) who proposed a diagnostic apparatus of 16 style markers to develop “style profiles” for the comparison of individual styles. Likewise comparative analysis were made by Ch. Muller (1967, 125 ff.), G. Engwall (1974), Těšitelová/Nebeská/Králík (1976). Besides correlation analysis and statistical tests, also entropy measures (Burwick 1969; Zsilka 1974), discriminant analysis (Brainerd 1973), cluster analysis (Liiv/ Tuldava 1993) were used. 2.4.2. Factor analysis Texts may differ on some parameters and be similar on others. The picture may become confusing and difficult to survey if a large number of parameters are analysed. The question arises whether it is possible to express all the information about the parameters (characteristics) in a more compact form, since it is natural to presume that a compact form reflects the more substantial, regular aspects of variation of the characteristics of different objects. The problem can be solved by means of correlation and factor analysis, which enables the investigator to apply a large number of measurement procedures to a sample of objects and find out to what extent these measures overlap with each other. The procedure of factor analysis is used to “compress” the information which is contained in a correlation matrix and it is supposed that the correlations between the pairs of measured variables can be explained by the connections of the measured variables to a small number of non-measurable, but meaningful, variables, called factors. Philosophically, factor analysis is based on the hypothesis that the parameters observed and measured are but external characteristics of the object or phenomenon studied, and that there actually exists a small number of internal, latent (“covert”) parameters or qualities which determine the values of the observable parameters (cf. under 1.2.). The first serious attempt to employ factor analysis in a stylostatistical study was made by J. B. Carroll (1960; reprinted 1969). The samples of objects studied consisted of 150 passages each about 300 words from various

sources and styles of English prose from the 19th and 20th centuries K both British and American K novels, newspaper features and editorials, scientific papers, textbooks, legal documents, etc. The measures taken fell into two classes: subjective and objective. The objective measures (of 39 characteristics) involved various counts, indices, and ratios based on the enumeration of certain classes of words, clauses, sentences, and other linguistic entities. Subjective measures (29 characteristics) were secured by assigning ratings by competent judges to pragmaticstylistic characteristics arranged on adjectival scales of the type: emotional/rational, interesting/boring, precise/vague, profound/superficial, etc. All these scales, in differing degrees, denoted overall positive or negative evaluation of a prose passage. It appeared that six factors could be given meaningful interpretation, which were considered to express the “dimensions of literary style”. Besides a “general stylistic evaluation”, a second factor, called “personal affect” was based on positive values on the subjective scales “personal” (vs. impersonal), “intimate” (vs. remote), “vigorous” (vs. placid) connected with a number of objective measures, such as frequent use of pronouns, negatively with word length, i. e. words tending to be short. The third factor called “ornamentation” (opposed to “plainness”) was indexed by positive values of the subjective measure of “affected” (vs. natural), “complex” (vs. simple), “elegant” (vs. uncouth), and by objective characteristics such as long sentences, high proportion of common nouns preceded by adjectival and participial modifiers, and by nouns with Latin suffixes, a high number of descriptive adjectives and a high degree of use of dependent clauses of various orders. The remaining three factors identified in this study were “abstractness”, “seriousness”, “characterization” (versus “narration”), all of them based on subjective and objective measures, which allowed the investigator to come to the conclusion that “there is no hard and fast distinction between style and content” (Carroll 1969, 155). This does not mean, naturally, that we could draw direct conclusions about the qualitative side of style depending on the existence and strength of certain stylostatistical formal parameters of texts. Nevertheless, the results of a similar research into the interrelation between objective and subjective characteristics can be of help for a compre-

28. Stylistics, author identification

hensive qualitative analysis of style and for solving the problems connected with the study of typology of styles. For analogous experiments with the help of factor analysis based on subjective and/or objective style characteristics the reader is directed to investigations by Somers (1966), Miles/Selvin (1966), Kraus (1971), Geoffroy/ Guilhaumou/Hartley et al. (1976); more recently by Saukkonen (1990), Tuldava (1995, Chap 5). A piece of criticism: Marx/Strube (1980).

Additional remarks Functional styles K also called registers or discourses or simply genres in the broad sense of meaning K can be defined as historically formed and socially recognised varieties of speech which are determined by different spheres of its use K official, scientific, publicistic, aesthetic, and the sphere of everyday life (for literature of this topic, see, e. g., Kraus 1967, Winter 1969, Koźina 1972, Palmer 1976, Galperin 1977, Těšitelová 1983, Fortanet et al. 1998).

Abbreviations ACUT Acta et Commentationes Universitatis Tartuensis JQL Journal of Quantitative Linguistics PSML Prague Studies in Mathematical Linguistics StSt Statistics and Style QL Quantitative Linguistics

3.

Literature (a selection)

Ager, Dennis E. (1976), The importance of the word in the analysis of register. In: The Computer in Literary and Linguistic Studies. (eds. A. Jones/ R. F. Churchhouse). Cardiff: The University of Wales Press, 194K207. Alekseev, Pavel M. (1983), Metodika kvantitativnoj tipologii teksta. Leningrad: LGPI. Alekseev, Pavel M. (1984), Statistische Lexikographie. Bochum: Brockmeyer. Alekseev, Pavel M. (1986), Raspredelenie leksičeskich edinic po dline v tekste i slovare. In: ACUT 745, 3K28. Allén, Sture/Thavenius, Jan (eds.), Spra˚klig databehandling. Datamaskinen i spra˚k- och litteraturforskning. Lund: Studentlitteratur, 1970. Altmann, Gabriel (1978), Zur Verwendung der Quotiente in der Textanalyse. In: Glottometrika 1

381 (Hrsg. Gabriel Altmann). Bochum: Brockmeyer, 91K106. Altmann, Gabriel (1983), Hans Arens “Verborgene Ordnung” und das Menzerathsche Gesetz. In: Allgemeine Sprachwissenschaft, Sprachtypologie und Textlinguistik (Hrsg. M. Faust). Tübingen: Narr, 31K39. Altmann, Gabriel (1988), Wiederholungen in Texten. Bochum: Brockmeyer. Altmann, Gabriel/Buttlar, V./Rott, W./Strauß, U. (1983), A law of change in language. In: Historical linguistics (ed. Barron Brainerd). Bochum: Brockmeyer, 104K115. An Annotated Bibliography of Statistical Stylistics (1968), By Richard W. Bailey & Lubomír Doležel. Ann Arbor: University of Michigan Press. Anstensen, Ansten (1936), The proverb in Ibsen. New York: Columbia University Press. Antosch, Friederike (1953), Stildiagnostische Literaturuntersuchungen mit dem Aktionsquotienten. In: Wiener Archiv für Psychologie, Psychiatrie und Neurologie, III, 65K73. Antosch, Friederike (1969), The diagnosis of literary style with the verb-adjective ratio. In: Doložel/ Bailey 1969, 57K65. Anttila, Raimo (1963), Loanwords and statistical measures of style in the Towneley Plays. In: Statistical Methods in Linguistics, 2. Stockholm: Skriptor, 73K93. Arapov, Michail V. (1983). Word replacement rates of standard Russian. In: Historical linguistics (ed. B. Brainerd). Bochum: Brockmeyer, 50K61. Arapov, Michail V. (1988), Kvantitativnaja lingvistika. Moskva: Nauka. Arens, Hans (1965). Verborgene Ordnung. In: Wirkendes Wort. Beiheft 11. Düsseldorf. Arnold, I. V. (1974). Stilistika dekodirovanija. Kurs lekcij. Leningrad. Baayen, R. Harald/Tweedie, Fiona J. (1998), Sample-size invariance of LNRE Model parameters: Problems and opportunities. In: Journal of Quantitative Linguistics (5) 3, 145K154. Bailey, Richard W. (1969), Statistics and style: a historical survey. In: Doložel/Bailey 1969, 217K 236. Bailey, Richard W./Doložel, L. (1968), An Annotated Bibliography of Statistical Stylistics. Ann Arbor: University of Michigan Press. Baker, Sidney J. (1951), Ontogenetic evidence of a correlation between the form and frequency of use of words. In: The Journal of General Psychology 44, 235K251. Bennett, Paul E. (1969), The statistical measurement of a stylistic trait in Julius Caesar and As you like it. In: Doložel/Bailey 1969, 29K41. Best, Karl-Heinz (1994), Word class frequencies in contemporary German short prose texts. In: Journal of Quantitative Linguistics (1), 144K147.

382

VI. Gebiete und Phänomene: Text / Fields and phenomena: text

Bibliographie de la statistique linguistique (1954), Edited by Pierre Guiraud & J. Whatmough. Utrecht/Anvers: Mouton. Bibliography of Quantitative Linguistics (1995), By Reinhard Köhler. Amsterdam/Philadelphia: John Benjamins Publishing Company. Bluhme, Hermann (1971), Notes on Polish phonotactics. In: Linguistics, 69, 5K23. Boder, David P. (1940), The Adjective-Verb Quotient: A contribution to the psychology of language. In: The Psychological Record III, 309K343. Bolling, George M. (1937), Statistics of the Homeric language and a queer bit of criticism. In: Language, XIII, 238K240. Brainerd, Barron (1972), Article use as an indicator of style. In: Linguistik und Statistik (Hrsg. S. Jäger). Braunschweig: Vieweg, 11K32.

Crisholm, D. H. (1982), Phonological patterning in English and German verse. A computer-assisted approach. In: Glottometrika 4 (eds. W. Lehfeldt/U. Strauß). Bochum: Brockmeyer, 114K146. Darčuk, N. P. (1975). Individual’noe i obščee v leksičeskoj sisteme avtorskogo stilja. Kiev. Dittenberger, Wilhelm (1880), Sprachliche Kriterien für die Chronologie der Platonischen Dialoge. In: Zeitschrift für klassische Philologie. Bd. 16. Berlin, 321K345. Doležel, Lubomír (1969). A framework for the statistical analysis of style. In: Doložel/Bailey 1969, 10K35. Doležel, Lubomír/Bailey, R. W. (Eds.), Statistics and Style. New York/London: Elsevier, 1969. Dušková, Libuše (1971), On some functional and stylistic aspects of the passive voice in present-day English. In: Philologica Pragensia, 14, 117K143.

Brainerd, Barron (1973), On the distinction between a novel and a romance: A discriminant analysis. In: Computers and the Humanities (7), 1973, 259K270.

Dušková, Libuše (1972), The passive voice in Czech and English. In: Philologica Pragensia, 15, 93K117.

Brainerd, Barron (1983), A stochastic model for language change. In: Historical linguistics (ed. B. Brainerd). Bochum: Brockmeyer, 25K49.

Ducretet, Pierre R. (1970), Quantitative stylistics. An essay in methodology. In: Computers and the Humanities, 4:3, 187K191.

Brinegar, Claude S. (1963), Mark Twain and the Curti’s Snuodgrass Letters: A statistical test of authorship. In: Journal of American Statistical Association (58), 85K96.

Dugast, Daniel (1979), Vocabulaire et stylistique. Gene`ve: Slatkine. (Travaux de linguistique quantitative, 8).

Burwick, Frederick L. (1969), Stylistic continuity and change in the prose of Thomas Carlyle. In: Doložel/Bailey 1969, 178K196.

Engwall, Gunnel (1974), Fréquence et distribution du vocabulaire dans un choix de romans français. Stockholm: Skriptor.

Busemann, Adolf (1925), Die Sprache der Jugend als Ausdruck des Entwicklungsrhythmus. Jena: Fischer.

Enkvist, Nils E. (1978), Stylistics and text linguistics. In: Current trends in text linguistics (ed. W.U. Dressler). Berlin/New York: de Gruyter, 174K 190.

Busemann, Adolf (1948). Stil und Charakter. Meisenheim/Glan: Westkulturverlag Anton Hain.

Ermolenko, Georgij V. (1988), Anonymnye proizvedenija i ich avtory. Minsk: Universitetskoe.

Căda, F. (1901), Datováni Platónowas Faidra. In: Listy filologické (28), 173K193.

Fleary, F. G. (1874), On metrical tests applied to dramatic poetry, I. Shakespeare. In: New Shakespearean Society Trans. Ser. 1, Part 1, 1K16; 38K39.

Carroll, John B. (1938), Diversity of vocabulary and the harmonic series law of word-frequency distribution. In: The Psychological Record II, 379K386. Carroll, John B. (1960), Vectors of prose style. In: Sebeok 1966, 283K292. Carroll, John B. (1969). Vectors of prose style. In: Doložel/Bailey 1969, 147K155. Chandler, Zilpha E. (1928), An analysis of the stylistic technique of Addison, Johnson, Hazlitt and Pater. In: University of Iowa humanistic studies, 4, Iowa. Climenson, W. D. (1962). Report from Data Systems Center, RCA. In: Current Research and Development in Scientific Documentation. No. 11, National Science Foundation, Nov. 1962, 313K 314. Computers and the Humanities. New York 1966.

Flesch, Rudolph F. (1948), A new readability yardstick. In: Journal of Applied Psychology (32), 221K233. Fletcher, James V. (1934), Some observations on the changing style of the “Faerie Queene”. In: Studies in Philology (32), 152K159. Frank, L. (1909), Statistische Untersuchungen über die Verwendung der Farben in den Dichtungen Goethes. Giessen. Fucks, Wilhelm (1952), Mathematical Analysis of style. In: Biometrica 39, 122K129. Fucks, W./Lauter, J. (1965), Mathematische Analyse des literarischen Stils. In: Kreuzer/Gunzenhäuser 1965, 107K122. Furnival, F. J. (1887), Introduction to the Leopold Shakespeare. London: Cassel & Co.

28. Stylistics, author identification Galperin, Ilja R. (1977), Stylistics. Moscow: Higher School. Geens, Dirk (1991), On measurement of lexical differences by means of frequency. In: Glottometrika 1. (ed. G. Altmann). Bochum: Brockmeyer, 46K63. Geoffroy, A./Guilhaumou, J./Hartley, A./Salem, A. (1976), Factor analysis and lexicometrics. Shifters in some texts of the French Revolution (1793K1794). In: The Computer in Literary and Linguistic Studies. Cardiff: The University of Wales Press, 177K193. Gibson, Walker (1966), Thought, Sweet and Stuffy. An Essay on Modern American Prose Styles. Bloomington/London. Golovin, Boris N. (1971), Jazyk i statistika. Moskva: Prosveščenie, 1K191. Golovin, Boris N. (1974), Opyt primenenija korreljacionnogo analiza v izućenii jazyka. In: Voprosy statističeskoj stilistici (eds. B. N. Golovin/ V. I. Perebejnos). Kiev: Naukova dumka, 5K16. Greenberg, Joseph H. (1960), A quantitative approach to the morphological typology of language. In: International Journal of American Linguistics. 26/3, 178K194. Grotjahn, Rüdiger (1979), Linguistische und statistische Methoden in Metrik und Textwissenschaft. In: Glottometrika 2 (ed. Rüdiger Grotjahn). Bochum: Brockmeyer. Guiraud, Pierre (1954), Les caracte`res statistiques du vocabulaire. Essai de méthodologie. Paris. Guiraud, Pierre, Proble`mes et méthodes de la statistique linguistique. Dordrecht: Reidel. Guiraud, Pierre/Whatmough, Joshua (1954), Bibliographie de la statistique linguistique. Utrecht/ Anvers: Mouton. Hassler-Göransson, Carita (1976), Fyrtio författare i statistik belysning. Stockholm: Skriptor. Hayes, Curtis W. (1969), A study in prose styles: Edward Gibbon and Ernest Hemingway. In: Doložel/Bailey 1969, 80K91. Helbich, Jan (1978), Some results of an experiment in statistical selection of key-words. In: PSML (6), 159K175. Herdan, Gustav (1960), Type-token mathematics. The Hague: Mouton. Herdan, Gustav (1964), Quantitative Linguistics. London: Butterworths. Herdan, Gustav (1966), The Advanced Theory of Language as Choice and Chance. Berlin et al.: Springer. Herdan, Gustav (1969), About some controversial results of the quantitative method in linguistics. In: Zeitschrift für Romanische Philologie, Bd. 85, Heft 3/4. Tübingen, 378. Hildreth, Carson (1897), The Bacon-Shakespeare controversy. A contribution. In: University of Nebraska Studies, 2, 147K162.

383 Holstein, Arthur P. (1965), A statistical analysis of schizophrenic language. In: Statistical Methods in Linguistics. Stockholm: Skriptor, 10K14. Hřebíček, Luděk (1992), Text in communication: Supra-sentence structures. Bochum: Brockmeyer. Hug, Marc (1998), French demonstrative articles ci and la’. Linguistic intuitions and statistical facts. In: Journal of Quantitative Linguistics (5) 3, 195K 205. Hymes, Dell H. (1960), Phonological aspects of style: Some English Sonnets. In: Sebeok 1966, 109K131. Ingram, J. K. (1874), On the weak endings of Shakespeare. In: New Shakespearean Society, Trans. Ser. 1, Part 3, 442K446. Jakubajtis, T. A. (1981), Časti reči i tipy tekstov. Riga: Zinātne. Jones, Lawrence G. (1969), Tonalty structure in Russian verse. In: Doložel/Bailey 1969, 122K143. Jones, Alan/Churchhouse, R. F. (eds.), The Computer in Literary and Linguistic Studies. Cardiff: The University of Wales Press, 1976. Kelemann, Bela (1964), A propos des caractéristiques des styles de la langue a` la lumie`re de la statistique linguistique. In: Revue Roumaine de Linguistique, 621K624. Kjetsaa, Geir (1976). Sound and meaning according to Lomonosov. In: Jones/Churchhouse 1976, 230K239. Kjetsaa, Geir (1979), The Battle of The Quiet Don: Another pilot study. In: Computers and the Humanities, vol. 11, 341K346. Kjetsaa, Geir (1981), Written by Dostoevsky? In: ALLS Journal, vol. 2, 25K33. Kjetsaa, Geir (1983), A norm for the use of poetical language in the age of Puškin: A comparative analysis. In: Meddelelser, Nr. 33. University of Oslo. Slavisk-baltisk Institutt. K54 p. Kjetsaa, Geir (1986), Attributed to Dostoevsky: The problem of attributting to Dostoevsky ananymous articles in Time and Epoch. Oslo: Solum Forlag A/S. (Slavia Norvegica IV). (Text in Russian). Kļaviņa, Sarma P. (1983), Linguostatistischer Vergleich von Funktionalstilen der lettischen Sprache. In: Glottometrika 5 (eds. Reinhard Köhler/ Joachim Boy). Bochum: Brockmeyer, 14K44. Köhler, Reinhard (1986), Zur linguistischen Synergetik. Struktur und Dynamik der Lexik. Bochum: Brockmeyer. Köhler, Reinhard (1993), Synergetic linguistics. In: Contributions to Quantitative Linguistics (eds. Reinhard Köhler/Burghard B. Rieger). Dordrecht et al.: Kluwer Academic Publishers, 41K51. Köhler, Reinhard (1995), Stylistics. In: Bibliography of Quantitative Linguistics. (ed. Reinhard Köhler). Amsterdam/Philadelphia: John Benjamins Publishing Company, 377K401.

384

VI. Gebiete und Phänomene: Text / Fields and phenomena: text

Kožina, M. N. (1972), O rečevoj sistemnosti naučnogo stilja sranitel’no s nekotorymi drugimi. Perm: Permskij Universitet. (Summary in English.)

Ludviková, M. (1976), On some statistical differences in two spoken texts on the syllabic level. In: PSML, 5, 91K104.

Krallmann, Dieter (1966), Statistische Methoden in der stilistischen Textanalyse. Inaugural-Dissertation. Bonn (Rheinische Friedrich-Wilhelms-Universität.)

Lutosławski, W. (1897), The origin and growth of Plato’s logic, with an account of Plato’s style and the chronology of his writings. London/New York: Longmans, Green & Co.

Krámský, Jiří (1967), The frequency of articles in relation to style in English. In: PSML (2), 89K95.

Machauf, Liora/Rosenhouse, Yehudit (1989), Some stylistic aspects of technical English. In: 16 th Intern. Systemic Congress. Helsinki, Hanasaari, Finland, 43.

Krámský, Jiří (1983), A stylostatistical examination of conjuctions in modern English. In: PSML (8), 81K92. Kraus, Jiří (1969), K statistickomu rozboru publicistického stylu. In: Slovo a slovesnost, 30, 371K 379. Kraus, Jiří (1972), On the stylistic-semantic analysis of adjectives in journalistic style. In: PSML, 4, 95K106. Kraus, Jiří (1974), K kvantitativnym sociolingvističeskim modeljam v teorii jazyka i stilja. In: Voprosy statističeskoj stilistiki. Kiev: Naukova dumka, (eds. B. N. Golovin et al.), 203K216. Kraus Jiří/Polák, Josef (1967), Text factors and characteristics. In: PSML, 2, 155K171. Kreuzer, Helmut/Gunzenhäuser, Rul (Hrsg.), Mathematik und Dichtung. München: Nymphenburger Verlagshandl., 1965. Kroeber, Karl (1967), Computers and research in literary analysis. In: Computers in Humanistic Research (ed. C. A. Bowles). Englewood Cliffs, N. J.: Prentice-Hall, Inc., 142K152. Landon, George M. (1969), The qualification of metaphoric language in the verse of Wilfred Owen. In: Doložel/Bailey 1969, 170K177. Leed, Jacob (ed.), The Computer and Literary Style. (Kent Studies in English, 2). Ohio: Kent State University Press, 1966. Lehtsalu, U./Liiv, G./Mutt, O. (1973), Introduction to English Stylistics. Tartu: University Press. Lesskis, G. A. (1973), Funkcional’naja differenciacija stilej. In: Sbornik naučnych trudov. I MGPI Ja im. M. Toreza, Vyp. 73. Moskva, 201. Levison, Michael (1967), The computer in literary studies. In: Machine translation (ed. A. D. Booth). Amsterdam: North-Holland Publ. Co. 173K194. Levickij, Viktor V. (1989). Statističeskoe izučenie leksičeskoj semantiki. Kiev: Minvuz. Liiv, Heino/Tuldava, Juhan (1996), Formal characteristics of style. In: AI LA Proceedings. Jyväskylä, 4.K9. August. Liiv, Heino/Tuldava, Juhan (1993), On classifying texts with the help of cluster analysis. In: Quantitative Text Analysis. (eds. L. Hřebíček/G. Altmann). Trier: WVT, 253K262. Lord, R. D. (1958), De Morgan and the statistical study of literary style. In: Biometrika, 45, 282.

Mańczak, Witold (1980), Frequenz und Sprachwandel. In: Kommunikativtheoretische Grundlagen des Sprachwandels. Berlin: de Gruyter, 37K 79. Markov, Andrej A. (1913), Primer statističeskogo isslednovanija nad teksdom “Evgenija Onegina”. In: Izvestija Akademii Nauk, serija XI, No. 3, 153K162. Martin, Willy (1976), On the evolution of wordlength in Dutch. In: The Computer in Literary and Linguistic Studies. (eds. Alan Jones/R. F. Churchhouse). Cardiff: The University Of Wales Press, 271K284. Martynenko, Grigorij J. (1988). Osnovy stilemetrii (the Foundations of Stylometrics). Leningrad: University of Leningrad Press. Marusenko, Michail A. (1990), Atribucija anonimych i psevdonimnych literaturnych proizvedenij metodami raspoznavanija obrazov. Leningrad: University of Leningrad Press. Marx, Wolfgang/Strube, Gerhard (1980), The Butterfly revisited. In: Glottometrika 3 (ed. W. Matthäus). Bochum: Brockmeyer, 97K104. McKinnon, Alastair (1978), Most frequent words and the clustering of Kierkegaard’s works. In: Style 12, 241K257. McKinnon, Alastair (1980), Aberrant frequency words: Their identification and uses. In: Glottometrika 2. (Hrsg. R. Grotjahn). Bochum: Brockmeyer, 108K124. Mendenhall, Thomas C. (1887), The characteristic curves of composition. In: Science 9 (214) (Supplement), 237K249. Mendenhall, Thomas C. (1901), A mechanical solution of a literary problem. In: Popular Science Monthly 9, 97K105. Mikk, Jaan (1991), Studies on teaching material readability. In: ACUT 926, 34K50. Miles, Josephine/Selvin, Hanan C. (1966), A factor analysis of the vocabulary of poetry in the seventeenth century. In: Leed 1966, 116K127. Milic, Louis T. (1966), Unconscious ordering in the prose of Swift. In: Leed 1966, 79K106. Mistrík, Jozef (1967), Matematiko-statističeskie metody v stilistike. In: Voprosy jazykoznanija 16 (3), 42K52.

28. Stylistics, author identification Morgan, Sofia de (1882), Memoir of Augustus de Morgan by his wife Sofia Elisabeth de Morgan with selections from his letters. London: Longman, Green & Co. Morozov, Nikolaj A. (1915), Lingvističeskie spektry. In: Izvestija Imper. Akademii Nauk. Otdel jazyka i slovesnosti, XX, kn. 4, 93K134. Morton, Andrew Q./ Levison, Michael (1966), Some indications of Authorship in Greek Prose. In: Leed 1966, 141K179. Muller, Charles (1964), Essai de statistique lexicale. L’Illusion comique de Pierre Corneille. Paris: Klincksieck. Muller, Charles (1967), Etude de statistique lexicale. Le vocabulaire du théâtre de Pierre Corneille. Paris: Larousse. Muller, Charles (1968), Initiation a` la statistique linguistique. Paris: Larousse. Nagy, Gábor T. (1998), Quantity and style from a cognitive point of view. In: Journal of Quantitative Linguistics 5 (3), 232K239.

385 texts. In: Sixteenth International Systemic Congress. Plenary Abstracts. Helsinki, Hanasaari, 12K16 June, 51. Polikarpov, Anatolij A. (1987), Polisemija: sistemno-kvantitativnye aspekty. (Polysemy: systemic-quantitative aspects). In: ACUT 774, 135K 154. Raben, Joseph/Lieberman, David V. (1976), Text comparison: principles and a program. In: The Computer in Literary and Linguistic Studies (eds. Alan Jones/R. F. Churchhouse). Cardiff: University of Wales Press, 297K308. Ratkowsky, David A./Halstead, Maurice H./Hantrais, Linda (1980), Measuring vocabulary richness in literary works: A new proposal and re-assessment of some earlier measures. In: Glottometrika 2 (Hrsg. R. Grotjahn). Bochum: Brockmeyer, 125K145. Reynolds, Allan G./Pylyshin, Zenon W. (1970), Stylostatistics of various psychiatric groups. In: Language and Speech 13 (3), 194K198.

Nikitopoulos, Pantelis (1973), Statistik für Linguisten, Eine methodische Darstellung. Tübingen: Narr.

Ritter, Constantin (1903), Die Sprachstatistik in Anwendung auf Platon und Goethe. In: Neue Jahrbücher für das Klassische Altertum, 241K 261, 313K325.

O’Donnell, Bernard (1966), Stephen Crane’s The O’Ruddy: A problem in authorship discrimination. In: Leed 1966, 107K115.

Renský, Miroslav (1965), The noun-verb quotient in English and Czech. A tentative statistic analysis. In: Philologica Pragensia, 8, 289K303.

Osgood, Charles E. (1960), Some effects of motivation on style of encoding. In: Sebeok 1966, 293K306.

Ross, Donald Jr. (1977), The use of word-class distribution data for stylistics: Keat’s sonnets and chicken soup. In: Poetics, 6, 169K195.

Parker, H. A. (1896), Curves of literary style. In: Science 13, 246.

Sambor, Jadwiga (1974), Słownictwo bardzo częste w pięcu stylach wspólczesnej polszczyzny pisanej. In: Poradnik jezykowy, 1, 9, 466K475; 2, 533K537.

Parker, Roscoe E. (1925), Spenser’s language and the pastoral tradition. In: Language I, 80K87. Parry, Milman (1928), L’épithe`te traditionelle dans Home`re. Essai sur un proble`me du style homérique. Paris: Ed. ‘Les Belles Lettres’. Parzinger, P. (1911), Beiträge zur Kenntnis der Entwicklung des Ciceronischen Stils. Landshut. Paškovskij, Vladimir E. (1983), Statističeskie charakteristiki patologičeskogo teksta. In: ACUT 658, 65K81. Perebejnos, Valentina I. (Hrsg.). Statystyčni parametri styliv. Kiev: Naukova dumka, 1967. Perebejnos, Valentina I. (1983), O tak nazyvaevom delovom, nechudožestvennom stile s kvantitativnoj točki zrenia. In: ACUT, 136K138.

Saukkonen, Pauli (1990), Interpreting textial dimensions through factor analysis: Grammatical structures as indicators of textual dimensions. In: Glottometrika 11 (ed. L. Hřebíček). Bochum: Brockmeyer, 157K171. Schlismann, Annemarie (1948), Sprach- und Stilanalyse mit einem vereinfachten Aktionsquotienten. In: Wiener Zeitschrift für Philosophie, Psychologie und Pädagogik, II, 1K42. Schmidt, Peter (ed.), Glottometrika 15: Issues in General Linguistic Theory and the Theory of Word Length. Trier: WVT, 1996. Sebeok, Thomas A. (ed.), Style in Language. Cambridge, Mass.: MIT Press, 1966.

Piotrovskij, Rajmund G. (1968), Informacionnye izmerenija jazyka. (Informational measures of the language). Leningrad: Nayka.

Sedelow, Sally Y./Sedelow, Walter A. Jr. (1966), A preface to computational stylistics. In: Leed 1966, 1K13.

Piotrovskij, Rajmund G. et al. (eds.). Jazykovaja norma i statistika. Moskva: Nauka, (1977).

Shaikevich, A. Ya. (1994), Lexicostatistic analysis of literary characters. In: Qualico. Second International Conference of QL. Moscow. 207.

Piotrovskij, Rajmund G. (1984), Text K Computer K Mensch. Bochum: Brockmeyer. Pitkänen-Koli, Taina (1989), Using systemic grammar in the analysis of some Swedish fictional

Sherman, L. A. (1888), Some observations upon the sentence-length in English prose. In: University of Nebraska Studies, I, 119K130.

386

VI. Gebiete und Phänomene: Text / Fields and phenomena: text

Silnitsky, George (1993), Typological indices and language classes: A quantitative study. In: Glottometrika 14 (ed. G. Altmann). Trier: WVT, 139K160. Sil’nitsky, Georgij G. (ed.), Korreljatsionnaja tipologija. Smolensk: Smolenskij Gumanitarnyj Universitet, 1999. (Summary in English: p. 267K315). Sirotinina, Ol’ga B. (1969), Izmenenija v jazyke naučnoj prozy. In: Voprosy stilistiki. Saratov. 37K 55. Somers, Herman H. (1959), Analyse mathematique du langage. Louvain: Nauwelaert. Somers, Herman H. (1960), Analyse statistique du style: Différences individuelle et facteurs psychologiques. Louvain: Nauwelaerts. Somers, Herman H. (1966), Statistical methods in literary analysis. In: The Computer and Literary Style (ed. J. Leed). Kent, Ohio: Kent State Univ. Press, 128K140. Statističny parametry styliv. (1967). Ed. by Valentina S. Perebijnis. Kyiv (Kiev): Naukova dumka. K260. Studia metrica et poetica (1976K). (Acta et Commentationes Universitatis Tartuensis). Tartu: Tartu University Press. Świeczkowski, Walerian (1961), On the margin of syntax and style. (A quantitative study). In: Poetics. Warszawa, 463K469. Tallentire, David R. (1976), Confirming intuitions about style using concordances. In: Jones/ Churchhouse 1976, 309K328. Tambovcev, Jurij A. (1986), Konsonantnyj koefficient v jazykach raznych semej. Thesis of the academic degree. Leningrad (mimeogr.). Tanaka, Akio (1989), Stochastic model of sentence structure in Japanese literature. In: Glottometrika 11 (ed. L. Hřebíček). Bochum: Brockmeyer, 172K197. Těšitelová, Marie (1972), On the so-called vocabulary richness. In: PSML, 3, 103K120. Těšitelová, Marie (1976), On the frequency of function words, In: PSML, 5, 9K28. Těšitelová, Marie (1977), Lingvistické príručky: Kvantitativní lingvistika. Praha: Státní pedagogické nakladatelství. Těšitelová, Marie (ed.), Kvantitativní charakteristiky současné češtiny. Praha: Accademia, 1985. Těšitelová, Marie (ed.), O češtiné v číslech. Praha: Accademia, 1987. Thavenius, Jan (1966), Kvantitativa metoder i stilistiken. In: Litteraturvetenskap. Nya ma˚l och metoder. (eds. P. Hallberg). Stockholm, 37K62. Thoiron, Philippe (1980), Dynamisme du texte et stylostatistique. Gene`ve: Ed. Slatkine. (Travaux de linguistique quantitative, 11). Thoiron, Philippe/Labbé, Dominique/Serant, Daniel (1988), Etudes sur la richesse et la structure lexicale. Paris/Gene`ve: Chamion-Slatkine.

Tuldava, Juhan (1974), Ob izerenii svjazi tekstov na urovne slovarja. In: Voprosy statističeskoj stilistiki. (ed. B. N. Golovin). Kiev: Naukova dumka, 35K42. Tuldava, Juhan (1993). Measuring text difficulty. In: Glottometria 14 (ed. G. Altmann). Trier: VWT, 69K81. (In: Quantitative Text Analysis (eds. G. Altmann/L. Hřebíček). Trier: VWT, 215K227.) Tuldava, Juhan (1995), Methods in Quantitative Linguistics. Trier: WVT. Tuldava, Juhan (1996), The frequency spectrum of text and dictionary. In: Journal of Quantitative Linguistics, vol. 3, 38K50. Tuldava, Juhan (1998), Probleme und Methoden der quantitativ-systemischen Lexikologie. Trier: WVT. Tuttle, H./Stanish, W. (1988), Usage trends in the vocabulary of François Rabelais. In: Glottometrika 9 (ed. K. P. Schultz). Bochum: Brockmeyer, 201K218. Uhliřová, Ludmila (1987), Jak jsou české ve˘ty dlouhé? In: Te˘šitelová 1987, 141K144. Uhliřová, Ludmila (1993), Parts of the sentence. Evidence of their communicative significance in text structure. In: Quantitative Text Analysis (Gabriel Altmann/Luděk Hřebíček). Trier: WVT. 263K270. Vašák, Pavel (1972), Metody ustanovlenija spornogo avtorstva (Problema Barak K Neruda). In: PSML, 3, 143K162. Vašák, Pavel (1974), Dlina slova i dlina predloženija v tekstach odnogo avtora. In: Voprosy statističeskoj stilistki. (ed. B. Golovin). Kiev, 314K329. Vašák, Pavel (1980), Metody určování autorství. Praha: Academia. Vašák, Pavel/Mazáčová, S. (1976), Rhyme, stanza and rhythmic types. In: PSML, 5, 163K189. Williams, C. B. (1970), Style and Vocabulary: Numerical Studies. London: Griffin. Wimmer, Gejza/Altmann, Gabriel (1996), The theory of word length: Some results and generalizations. In: Schmidt 1996, 112K133. Winter, Werner (1969), Styles as dialects. In: Doležel/Bailey 1969, 3K9. Woronczak, Jerzy (1972), Metody vyčislenija pokazatelej leksičeskogo bogatstva tekstov. In: Semiotika i iskusstvometrija. Moskva. Yardi, M. R. (1946), A statistical approach to the problem of the chronology of Shakespeare’s plays. In: Sankhyā 7, (3), 263K268. Yule, Udney G. (1938/1939), On sentence length as a statistical characteristic of style in prose: With application to two cases of disputed authorship. In: Biometrika, 30, 363K390. Yule, Udney G. (1944), The Statistical Study of Literary Vocabulary. Cambridge, Mass.: MIT Press.

387

29. Statistical models in stylistics and forensic linguistics Zeller, Eduard (1887), Über die Unterscheidung einer Gestalt der Ideenlehre in den Platonischen Schriften. Berlin. Žilinskiene, V. (1981), Korreljacionnyj i klasternyj analiz častej reči litovskoj publikacii. In: Kalbotyra, 32. 121K133. Zipf, George K. (1949), Human Behavior and the Principle of Least Effort. Cambridge, Mass.

Zörnig, Peter/Altmann, Gabriel (1993). A model for the distribution of syllable types. In: Glottometrika, 14, 190K196. Zsilka, Tibor (1974), Stilisztika és statisztika. Budapest: Akadémiai Kiadó.

Juhan Tuldava †, Tartu (Estland)

29. Statistical models in stylistics and forensic linguistics 1. Introduction 2. Function words 3. Multivariate analyses of the most common words 4. Measures of vocabulary richness 5. Time series analysis 6. The Thisted-Efron tests 7. The variability of measures 8. Techniques from artificial intelligence 9. Syntax-based methods 10. The Qsum controversy 11. Conclusions 12. Literature (a selection)

1.

Introduction

Quantitative methods for the description of text have been used for over a century, with early work being carried out by de Morgan in 1852 and reported in de Morgan (1887), and Mendenhall (1887; 1901). The large amount of data present in any text made analysis difficult until the advent of the computer. Even then, difficulties were faced K the punched cards bearing the data used in Mosteller/Wallace (1964)’s study of the Federalist Papers were destroyed in a flood. Concordancing packages such as OCP and TACT brought quantitative data to the general researcher, allowing traditional scholarship to be augmented with quantitative analysis. This article I have concentrates on techniques employed in recent years for text classification. Details of earlier work can be found in Morton (1978), and Holmes (1994) is a useful review of the general area. Techniques to describe and classify text have been drawn from various fields. Some are technically straightforward, the counting of occurrences of certain words or characteristics of the text. The use of function words is covered in the next section, and simple measures of vocabulary richness are included in section 4. Other techniques are

drawn from statistics; the multivariate analysis of function words, pioneered by Burrows, is discussed in section 3. Time series analysis, the study of dependent data, such as sentence lengths or metre is described in section 5. When the investigation concerns a small sample of text being compared with a large baseline corpus, Thisted and Efron proposed the use of Poisson regression, described in section 6. Another type of question is addressed in section 7, where the variability, rather than the level of measures is examined. Variability is of interest in cases where multiple authorship or heterogeneity is suspected within a text. Computer science and artificial intelligence have provided techniques recently; the use of neural networks and genetic algorithms are described in section 8. Computational and corpus linguistics have provided tools for parsing texts and research making use of such syntactic information is described in section 9. Finally, section 10. details a technique which was used in law courts in the UK, Eire and Australia, but which was shown to be ineffective. Not all proposed methods of authorship attribution actually work.

2.

Function words

If, in the analysis of a piece of text, it is decided to examine the author’s vocabulary, a decision has to be made regarding the number of words to be counted. As will be illustrated in the following sections, it is possible to count words occurring once, a few times, or all the words. A compromise position is the use of function words. A function word is usually an article, conjunction, preposition or common adverb, adjective or pronoun, whose use is independent of the content of the text. Their rates of occurrence are thought to be author specific and their use

388

VI. Gebiete und Phänomene: Text / Fields and phenomena: text

is reflexive, a matter of habit, and consequently a good measure of style. If the use of function words is independent and we assume that they occur randomly through the text then the Poisson distribution may be a good model. However, as Mosteller/Wallace (1964) found, the tail of the Poisson is not long enough to include the function word frequency data. They turn instead to the Negative Binomial distribution. McColly/Weier (1983) use Likelihood Ratio tests based on Poisson distributions in their examination of Middle English poetry. Damerau (1975) has proposed that function words do not follow a Poisson distribution and that before any analysis can take place, the distribution of the proposed function words should be examined in each text. Perhaps the best-known and definitive study of authorship attribution, Mosteller/ Wallace (1964)’s examination of the Federalist Papers, uses function words to discriminate between authors of the papers. As mentioned above, McColly/Weier (1983) examine the Middle English poems in the Cotton Nero manuscript, Sir Gawain and the Green Knight, Pearl, Cleanness and Patience using function words. McColly subsequently uses them to examine the structure of the poem Cleanness (McColly 1987). Function words for Chaucer are produced in Phelan’s study of Chaucer’s vocabulary (Phelan 1976). Frischer (1991) uses function words in a rather different way in his study of Horace’s Ars Poetica. His interest is in dating the work with respect to other works by Horace. Frischer considers a variety of function words as possible chronometers, where their use changes in a systematic way through the works of Horace. Quadratic regression models are then used to find the most appropriate dates for the Ars Poetica. The use of function words is still plagued by unresolved questions over their distribution through the text. It is time-consuming to find effective content-free words to use and this may be the biggest hindrance to their application.

3.

Multivariate analyses of the most common words

One of the most successful and frequently used techniques for authorship attribution was set out in a series of papers by Burrows (1987; 1989; 1992). Burrows examines a number of texts and authors by considering

the most common words in a text. Principal components analysis (PCA; e. g. Chatfield/ Collins 1980) is applied to the standardised occurrences of thirty, fifty or a hundred words in a number of texts. PCA is a dimension-reducing technique which allows the information contained in the thirty, fifty or one hundred dimensional space to be displayed in a few dimensions, or principal components. The components are chosen so as to display the maximal amount of information. Burrows considers a variety of authors in his papers, including Jane Austen, Henry James, the Bronte sisters, Sir Walter Scott and Lord Byron. In each case, text segments written by one author can be found in one section of the principal component space, while those written by another author occupy a different place in the plot. Even texts by the three Bronte sisters can be clearly distinguished, despite the similarity of genre and their upbringing. The words chosen for the analysis are the most common words used in the texts to be analysed. Care needs to be taken when there are not equal amounts of text from each author, as weighted averages of words must be used to avoid biasing the result. Content words, the names of major characters etc, must of course be removed from such a list, and Burrows reports markedly increased accuracy when words are disambiguated for part of speech. The principal components analysis allows the texts to be plotted, as well as permitting the examination of the relative importance of the words used, so that the investigator can determine, for example, which words are most important to which author. In addition, a figure for the percentage of the original variation can be obtained, an indicator of how much of the information present in the original data has been preserved in the dimension-reducing process. Further research can then be carried out into the behaviour of words that are found to be influential in the analysis. As this procedure works with purely lexical data, and there are many concordancing packages available to provide the user with word counts, Burrows’ technique has been widely used. Binongo (1994) finds that genre differences override authorial ones in his investigation of the Filipino writer Joaquin. Authorial differences are found, but on lower dimensions than those corresponding

29. Statistical models in stylistics and forensic linguistics

to genre. Holmes/Forsyth (1995) include this technique in their investigation of the Federalist Papers. Holmes/Forsyth (1995) correctly assign the “disputed” papers to Madison using principal components analysis of marker words found by Mosteller and Wallace, as well as by an analysis using the fortynine most frequent words in the texts. In their study of syntactic data, Baayen/ van Halteren/Tweedie (1996), like Binongo, find that genre overrides authorial differences K critical essays by an author are more similar to other critical essays than they are to crime fiction written by the same author. Baayen, van Halteren and Tweedie find that the analysis of the most frequent syntactic constructions is more accurate than that of lexical data, and that the texts are correctly assigned. Tweedie/Holmes/Corns (1998) apply Burrows’ method to Latin texts, here the attribution of the De Doctrina Christiana, which has been attributed to John Milton. They find that the method can correctly distinguish between control texts and those by Milton and they conclude that the diverse nature of samples from the De Doctrina Christiana may indicate that the text is of a heterogeneous nature; Milton may have been revising a manuscript that he obtained from another scholar. Forsyth/Holmes/Tse (1999) also apply this method to Latin text, they examine the authorship of the Consolatio unearthed in the fifteenth century and attributed to Cicero. Rather than Cicero, Forsyth, Holmes and Tse find that the style is more similar to that of the text’s discoverer, Sigonio. Finally, Gurney/Gurney (1998) analyse function lemmas in the Scriptores Historiae Augustae. They find a remarkable consistency of word-use within each of the six authors purported to have written the texts, and a degree of separability between the authors. All six authors, however, are more similar to each other than to the control texts by Suetonius, which may indicate that there is an overriding author who has forged the entire work.

4.

Measures of vocabulary richness

A time-honoured problem in the domain of quantitative linguistics is the evaluation of the lexical richness of texts (cf. art. No. 27). An obvious measure of lexical richness is the number of different words that appear in a text (V). Unfortunately, a text’s vocabulary

389 size depends on its length (N). Ever since Yule (1944)’s seminal study, a central question has been how to measure lexical richness by means of a statistic that does not depend on text length. Tweedie/Baayen (1998) review fifteen different measures of lexical richness, that are claimed to be independent of text length. Although these measures have gained some acceptance as length-invariant statistics, a number of researchers (Weitzman 1971; Orlov 1983; Thoiron 1986; Baayen 1989) have expressed doubts about the length invariance of at least some of them. Holmes (1992) was one of the first researchers to bring together a selection of measures of vocabulary richness. Holmes investigates the authorship of the Book of Mormon using principal components analysis and cluster analysis of five measures of vocabulary richness (Sichel 1975; Sichel 1986; Guiraud 1954; Yule 1944). He concludes that there is no evidence of multiple authorship within the Book of Mormon, and that the style is consistent with the “prophetic voice” of Joseph Smith. Holmes (1991) uses the same methods to investigate the “prophetic voice” of another author, here the English prophetess Joanna Southcott. He shows that the analysis of measures of vocabulary richness is sensitive enough to discriminate between texts within and between genres. These same measures, with one addition (Brunet 1978), are used by Holmes/Forsyth (1995) in their investigation of the Federalist Papers. Principal components analysis and cluster analysis are again used, along with a discriminant analysis which correctly assigns the disputed Federalist Papers to Madison. Other works making use of measures of lexical richness include Ménard (1983) and Cossette (1994). Tweedie/Baayen (1998) carry out a comprehensive review of the measures of vocabulary richness, looking at a variety of fiction texts. They examine the behaviour of each measure at twenty equally-spaced points through the texts. Initially, to examine the theoretical behaviour of the measures under the assumption that words occur randomly in text, Tweedie and Baayen permute the texts by randomising the word order and then examine the average behaviour in 5000 such permutations. Only two of the measures considered, those proposed by Yule (1944) and Simpson (1949) appear to be

390

VI. Gebiete und Phänomene: Text / Fields and phenomena: text

constant across text length, the others show systematic variation with text length. Next, the effect of ordered text is considered by comparing the confidence intervals obtained in the permutation method with the observed values from the texts. In almost all cases, the observed values fall outside the 95 % confidence interval obtained by the