Lange Zeit war das, was man Menschen im Vertrauen berichtete, etwas, das mit relativ großer Wahrscheinlichkeit vertraulich bleiben würde. Klar, Vertrauen konnte missbraucht, Dinge weitergesagt werden, Gerüchte konnten so entstehen, die dann ein Eigenleben entwickelten und mitunter schwer einzufangen waren. Aber da Gerüchte im Zweifelsfall auch einfach vehement bestritten werden können, konnte man sich doch immer darauf verlassen, dass das, was man einer anderen Person mitteilt, relativ schwer nach außen dringt. Eine erste Ausnahme in diesem Zusammenhang stellten die Emails und später die Chatnachrichten dar, die ja viel schneller geschrieben werden, aber sich dummerweise nicht so ephemerisch verhalten, wie gesprochene Sprache. Sie bleiben ja digital erhalten, in den meisten Fällen, man kann sie kopieren, vervielfältigen, und weiterleiten. Dennoch behandeln wir Email- und Chatnachrichten als etwas Vertrauliches. Es kommt eben einfach viel zu selten vor, dass jemand, dem ich persönliche Ansichten oder vertrauliche Gedanken schicke, diese einfach so nach draußen ausposaunt. Wenn man jemandem nicht explizit schaden möchte, dann lässt man die Emails oder Textnachrichten, die man von dieser Person bekommen hat, da, wo sie sind, im scheinbar vertrauten, scheinbar privaten digitalen Raum. Diese minimale Privatsphäre, die uns unser Kommunikationsverhalten lange Zeit geboten hat, wird nun von einer für mich gänzlich unerwarteten Seite aufgerissen. Dabei geht es gar nicht prinzipiell um einen aktiven Vertrauensbruch meiner Kommunikationspartner, der als solcher bewusst gewollt gewesen wäre. Es geht darum, dass mehr und mehr Menschen begonnen haben, ihr Innerstes, ihre Emails, ihre Chatnachrichten, auch ihre Ansichten, digital nach Außen zu kehren, ohne sich darüber wirklich im Klaren zu sein. Es geht um Menschen, die Chatbots Zugriff auf ihre Daten erlauben. Denn wenn ich mit einem Chatbot mein Leben oder meine beruflichen Angelegenheiten durchspreche und dabei Namen nenne, wenn ich den Maschinen mitunter Zugriff auf mein Emailkonto oder meine Chatkonten erteile, damit sie mir “helfen”, mein Leben im Digitalen zu bewältigen, dann gebe ich einer Instanz außerhalb meiner selbst Zugriff auf mein Innerstes. Aber da mein Innerstes ja aufgrund des Pakts der Vertraulichkeit, der im Digitalen jahrzehntelang gehalten hat, auch Einblicke in das Innerste anderer Menschen erlaubt, öffne ich, wenn ich Chatbots erlaube, meine Emails zu lesen und mitunter sogar zu beantworten, den Maschinen Zugang in Teile der Privatsphäre anderer Menschen. Das heißt, dass meine eigene Privatsphäre – die ich von Chatbots fernhalte, so gut es nur geht – ohne mein Zutun von Chatbots aufgesaugt werden kann, nämlich dann, wenn andere ihre Privatsphäre, inklusive dessen, was ich ihnen privat und vertraulich geschrieben habe, gedankenlos mit diesen Chatbots teilen. Wir können hier sehen, wer einen Dritten in seinen Kopf lässt, oder an sein Emailpostfach, der öffnet eben diesem Dritten auch die Tür zu dem, was andere ihnen offenbart haben. Leider scheint den meisten Powernutzern von Chatbots gar nicht klar zu sein, was sie tun, wenn sie Chatbots vollständigen Zugriff auf ihre Daten geben. Ich war verblüfft von der Naivität, die der Fall von Bucher (2026) offenbarte, der berichtete, die Arbeit von zwei Jahren verloren zu haben, als er versehentlich eine Einstellung bei Chat-GPT änderte, die dazu führte, dass die Kopiermaschine keinen Zugriff auf seine Daten mehr hatte, die anscheinend nahezu alles, was er gedanklich produzierte eingeschlossen hatten, was von Aufgaben für Studierende bis hin zu Forschungsanträgen reichte. Während ich mich einerseits köstlich amüsiert habe, wie Buchers Naivität von Collier (n.d.) aufs Korn genommen wurde, wurde mir erst später klar, dass diese Öffnung der privaten Datensphäre ja eben nicht nur Konsequenzen für einen selbst hat, sondern auch für alle die, die in dieser Datensphäre vorkommen. Ich bekomme sehr häufig Nachrichten zugesandt, die explizit als “vertraulich” bezeichnet werden. Da geht es um Forschungsanträge, die nur ich lesen soll, da ich eingeladen wurde, sie zu begutachten. Es geht um Informationen zu Finanzen unseres Lehrstuhls, um interne Angelegenheiten unserer Universität, und manchmal geht es auch einfach darum, dass ich jemand bei mir über jemand anderen beschwert. Ich kann es nach wie vor nicht verstehen, wie man einem Chatbot-Programm, dessen Daten irgendwo weit weg gehostet und von einem skrupellosen Tech-Konzern verwaltet werden, einfach so zukommen lassen kann. Zwar wird von den Konzernen meist zugestanden, die Daten nicht fürs Training zu benutzen, und eine bestimmte Privatheit zu garantieren. Aber was nicht beachtet wird, ist, das sogar wenn diese Versprechen wahr wären, ich selbst meine Zustimmung ja niemals erteilt hatte, dass Menschen, denen ich Emails schreibe, diese an ihre Zweitgehirne auslagern dürfen. Es kommt immer häufiger vor, dass mir Emails geschrieben werden, bei denen ich merke, dass etwas faul ist. Da schreibt jemand plötzlich viel mehr als sonst (was nicht heißen muss, dass die Inhalte tiefer werden), oder es mischt sich das typische Chatbot-Blabla ein, das man immer besser zu erkennen lernt. In diesen Situationen denke ich einerseits gern an das wunderschöne Zitat von Marina Weisband, die sich fragt, warum sie sich “die Mühe machen [sollte], einen Text zu lesen, von dem sich niemand die Mühe gemacht hat, ihn zu schreiben” (Weisband 2026). Andererseits frage ich mich jetzt immer auch vermehrt, ob ich überhaupt noch mit diesen Menschen kommunizieren soll. Denn ich will nicht, dass man das, was ich in dieser privaten Sphäre der Emailkommunikation äußere, ohne Nachfrage und Reflektion mit Dritten geteilt wird. Ich hab keine Lust, dass das, was ich sprachlich und gedanklich produziere, zum Training von Chatbots verwendet wird, und es diesen womöglich noch erlaubt, ein spezifisches Profil von mir zu entwickeln, das so niemanden außer mir selbst etwas angeht. Der Fall des Mathematikers Tristan Buckmaster, der an den Navier-Stokes-Gleichungen forschte, bevor OpenAI verkündete, diese mit Hilfe einer KI gelöst zu haben, zeigt hier auf interessante Weise, was passieren kann, wenn man Informationen mit Chatbots teilt. Wie Chang (2026) berichtet, hatte Buckmaster neue Ansätze zur Lösung des Problems entwickelt, dem er einen Großteil seiner Laufbahn als Forscher gewidmet hatte. Da er jedoch KI-Tools der Firmen OpenAI und Anthropic in seiner Arbeit verwendete, vermutete er, als OpenAI die Lösung verkündete, dass seine Ideen – ob beabsichtigt oder unbeabsichtigt – in die Lösung miteingeflossen waren, ohne dass er sie vorher veröffentlich hatte (ibid.). Es passt, dass die Deklaration zu Mathematik und KI, die von führenden Mathematikern unterschrieben wurde, im Zusammenhang mit von Sprachmodellen erzeugten Beweisen explizit von Plagiaten spricht (Avila et al. 2026). Da prinzipiell alles, was mit Chatbots geteilt wird, auch in das Training der Sprachmodelle fließen kann, da die Daten ja immer digital übertragen und auch als solche gespeichert werden, reicht es nicht, wenn OpenAI oder Anthropic versichern, die Daten nicht anzurühren. Der Verdacht wird immer mitschwingen, dass das, was wir im Digitalen produzieren, irgendwann bei diesen Maschinen landet, egal, ob direkt, weil auch Wissenschaftler leider gern ihr Gehirn ausschalten und ihr Leben mit Chatbots teilen, oder indirekt, weil Wissenschaftler ihre Daten vertraulich mit Menschen geteilt haben, die das Vertrauen missbrauchen und Chatprogrammen Zugriff auf die Daten geben. Es wird ja viel darüber geredet, dass KI reguliert werden müsste, dass die Wissenschaft neue Wege finden muss, um zu bewerten, wie generierte Texte in wissenschaftlichen Arbeiten bewertet werden sollen. Auch die Privatsphäre spielt ja scheinbar in vielen Debatten insbesondere in Deutschland immer wieder eine wichtige Rolle. Wenn es aber möglich ist, dass Teile meiner Privatsphäre an Großkonzerne geliefert werden, weil Menschen, die ihr digitales Leben nahezu vollständig entkleiden, meine Daten gleich mitliefern, dann muss die Idee von Privatheit im digitalen Raum vollkommen neu überdacht werden. ## Literatur Avila, Artur, Manjul Bhargava, Caucher Birkar, et al. 2026. “A severe misalignment of AI in mathematics.” Online Declaration. https://mathandai.org/. Bucher, Marcel. 2026. “When two years of academic work vanished with a single click.” _Nature Career Column_ 2026 (22/01). https://doi.org/10.1038/d41586-025-04064-7. Chang, Kenneth. 2026. “An N.Y.U. mathematician clashed with OpenAI over a $1 million proof.” _New York Times_ 2026 (10/09). https://www.nytimes.com/2026/09/10/science/tristan-buckmaster-openai-math-navier-stokes.html. Collier, Angela. n.d. “A cautionary tale. This is what ChatGPT does to your brain.” Video; YouTube. https://www.youtube.com/watch?v=7pqF90rstZQ. Weisband, Marina. 2026. “Strom, Wasser, Macht: Können wir uns dem KI-Wettrennen entziehen?” Podcast; Steady Page. https://steady.page/de/wind-und-wurzeln/posts/27156547-a0ac-4955-b5fc-a0f65ac9a208. * * * Nur der Text ist unter der Lizenz Creative Commons Namensnennung 4.0 International nutzbar. Alle anderen Elemente (Abbildungen, importierte Anhänge) sind „Alle Rechte vorbehalten“, sofern nicht anders angegeben. * * * OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren: Johann-Mattis List (1. Oktober 2026). Von privaten Sphären. _Von Wörtern und Bäumen_. Abgerufen am 1. Oktober 2026 von https://wub.hypotheses.org/3615 * * * * * * * *

Mit großem Interesse habe ich einen Artikel von John McWhorter gelesen, der sich ganz am Rande mit der Geschichte des Wortes _dumb_ im Englischen beschäftigt (McWhorter 2026). Dieses Wort selbst hat ja seine Entsprechung im deutschen Wort _tumb_ , welches jedoch inzwischen fast vollständig von dem jüngeren und wahrscheinlich entlehnten Wort _dumm_ ersetzt wurde. Wie so viele Wörter im Englischen hat auch das Wort _dumb_ eine Aussprache, die der Schreibung nur in Teilen entspricht. Das _b_ am Wortende ist nämlich stumm, es wird nicht ausgesprochen, weshalb das Wort _dumb_ seiner teilverwandten Form _dumm_ im Deutschen in der Aussprache recht ähnlich ist, wenn auch der Vokal ohne Lippenrundung produziert wird. Den Anlass, sich mit dem Wort _dumb_ auseinanderzusetzen, bietet jemand, dessen Namen auch auf einen bilabialen Plosiv endet, nämlich Donald Trump, der, wie Dale (2026) erklärt, sich in den letzten Monaten stark bemüht hat, den Vokal _e_ im Wort _democrat_ durch ein _u_ zu ersetzen, um dadurch ein mäßig lustiges Wortspiel zu erzeugen, das im Deutschen wohl genauso gut funktionieren würde. Da sich in Deutschland aber alle Parteien, auch die latent undemokratisch gesinnten, als Demokraten ansehen, und keine Partei sich “die Demokraten” nennt, hat das Wort _Dummokraten_ wohl schlechtere Chancen, sich im Deutschen durchzusetzen. Das Problem der _dumocrats_ des Präsidenten der Vereinigten Staaten besteht nun aber darin, dass es einen ästhetischen Makel aufweist. Das Schriftgefühl will das Wort als solches ungern akzeptieren, da die etymologische Verbindung zu _dumb_ durch das fehlende _b_ am Ende so schwer zu erkennen ist. Wenn man aber _dumbokrats_ schreiben würde, dann würden die Geister der Social Media nutzenden Bevölkerung über eben diese _b_ stolpern, welches nur am Wortende verstummt, aber innerhalb von Wörtern im Englischen nach wie vor ausgesprochen wird. Um den Sprachwitz in der vom _b_ befreiten Schreibung stärker im Volksgeist zu verankern lässt der Präsident in seiner humorvollen Art laut Dale nun anscheinend keine Gelegenheit aus, darauf hinzuweisen, das ohnehin kaum jemand in den Vereinigsten Staaten weiß, dass _dumb_ mit einem _b_ am Ende geschrieben wird. Denn wenn _dumb_ jetzt von den Menschen ohnehin in den meisten Fällen als _dum_ geschrieben wird, dann wird auch der Witz über die Dummokraten viel lustiger und kann auf Social Media so richtig durchstarten. McWhorter weist nur richtig darauf hin, dass den meisten Menschen, die Englisch als erste Sprache gelernt haben, sehr wohl klar ist, dass _dumb_ mit einem _b_ am Ende geschrieben wird, auch wenn sie es nicht aussprechen. Während das _b_ im Wort _dumb_ jedoch durch Sprachwandel am Wortende verschwunden ist, war die Schreibung mit _b_ nach einem _m_ in einsilbigen Wörtern eine gewisse Zeit lang wohl so beliebt, dass das irgendwann verstummte _b_ dann auch anderen Wörtern hinzugefügt wurde, die dieses zuvor gar nicht aufgewiesen hatten. Als Beispiele für diesen Fall von Analogie (List 2019a) in der Schreibung nennt McWhorter Wörter wie _thumb_ “Daumen”, _numb_ “taub (im taktilen Sinne)” und _limb_ “Gliedmaßen”. Für mich war diese Ausführung sehr lehrreich, da ich feststellen musste, dass ich die stummen _b_ -Laute in diesen Wörtern eigentlich immer mit ausgesprochen hatte. Als jemand, der Englisch erst später gelernt hat, weiß ich also nicht nur, dass man _dumb_ mit _b_ am Ende schreibt, ich habe es – zumindest bisher – sogar immer sehr selbstbewusst auch als solches ausgesprochen. Ob ein Wort, das auf _mb_ im Englischen endet nun ein ursprüngliches aber später verstummtes _b_ aufweist, oder ein ursprünglich nicht vorhandenes, aber später analog hinzugefügtes, kann man, das habe ich auch gelernt, also gar nicht so einfach sagen. Da die _b_ -Laute nach _m_ auch im Deutschen alle verschwunden sind, hilft einem die Kenntnis des modernen Deutschen leider auch wenig. Man muss schon bis ins Althochdeutsche zurückgehen können. Dann kann man zum Beispiel feststellen, dass auch der _Kamm_ – im Englischen _comb_ – einmal auf _b_ auslautete, wie man an Althochdeutsch _camb_ sehen kann. Was mich an diesen stummen und verstummten _b_ -Lauten am meisten fasziniert hat, ist die Bedeutung, die jemand, der sonst doch so herzlich wenig auf Einzelheiten achtet, den etymologischen Details eines im Großen und Ganzen recht dummen Wortspiels beimessen kann. Klar, wir Menschen nutzen alle irgendwelche Formen von etymologischen Strategien beim Lesen, aber es macht uns auch gar nicht aus, diese bewusst auszuschalten und zu ignorieren. Die Etymologie dominiert unser Sprachhandeln wirklich selten vollständig. Das ist mir vor allem beim Wort _numb_ , welches McWhorter als Beispiel für die historisch falsche Analogie aufzählt, aufgefallen. Denn ich gehe jetzt mal davon aus, dass kaum jemand bei _numb_ an _number_ denken wird, obwohl sich hier auch ein _b_ in ein Wort eingeschlichen hat, welches dort eigentlich nichts zu suchen hat. Das sieht man ja schon bei der deutschen Entsprechung _Nummer_. Die _number_ hat im Englischen mit _numb_ aber wirklich gar nichts zu tun. Denn sie wurde aus dem Französischen _nombre_ entlehnt. Hier wiederum ist das _b_ niemals stumm gewesen, sondern als epenthetischer Laut zwischen _m_ und _r_ eingführt worden, wie es sich in vielen anderen Sprachen auch beobachten lässt (List 2019b). Da die Bedeutung von _numb_ und _number_ so weit voneinander entfernt ist, wird keiner auf die Idee kommen, eine Verbindung zwischen den beiden Wörtern zu suchen. Wir sehen die scheinbaren oder tatsächlichen etymologischen Verbindungen immer nur da, wo sie für uns einen Sinn zu machen scheinen. Dass der Sinn in den _dumocrats_ so schwer zu finden ist, spricht am Ende eigentlich um so mehr für die allgemeine Sinnlosigkeit dieses präsidentialen Wortspiels. ## Literatur Dale, Daniel. 2026. “Trump’s ‘dumb’ story makes no sense.” _CNN Politics_ 2026 (06/09). https://edition.cnn.com/2026/09/06/politics/trump-dumb-dumocrat-story-nickname. List, Johann-Mattis. 2019a. “Morgende und gelber Brei: Analogie und Kontamination im Sprachwandel.” _Von Wörtern Und Bäumen_ 3 (7). https://doi.org/10.58079/vbqb. List, Johann-Mattis. 2019b. “Wissentschaft und Abenbrot: Einschübe und Aussetzer im Sprachwandel.” _Von Wörtern Und Bäumen_ 3 (6). https://doi.org/10.58079/vbqa. McWhorter, John. 2026. “Who says reading is dead?” _New York Times_ 2026 (10/09). https://www.nytimes.com/2026/09/10/opinion/closed-captions-streaming.html. Johann-Mattis List Seit Anfang 2023 leite ich den Lehrstuhl für Multilinguale Computerlinguistik in Passau. In meiner Forschung nehme ich generell einen datenbasierten,… Weiterlesen Alle Beiträge anzeigen * * * Nur der Text ist unter der Lizenz Creative Commons Namensnennung 4.0 International nutzbar. Alle anderen Elemente (Abbildungen, importierte Anhänge) sind „Alle Rechte vorbehalten“, sofern nicht anders angegeben. * * * OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren: Johann-Mattis List (11. September 2026). Von dummen Kämmen. _Von Wörtern und Bäumen_. Abgerufen am 11. September 2026 von https://wub.hypotheses.org/3589 * * * * * * * *

The term colexification has become an important concept in lexical typology in particular and linguistic typology in general. Surprisingly, it is not consistenly used by all scholars in the field. Instead, two main interpretations have emerged, a broad version that uses colexification as a cover term for polysemy, vagueness, and homophony, and a narrow version that restricts the term to polysemy and vagueness. We discuss the ambiguity and reflect about the usefulness of introducing alternative terms instead. ## 1 Introduction The introduction of the term _colexification_ to the field of lexical typology by François (2008), can be seen as marking a turning point in the field of lexical typology. Before, lexical typology was a niche discipline pursued by a small number of scholars, concentrating on very specific domains of the lexicon of human languages, such as color, kinship, and body. After the introduction of the term in a widely recognized volume on lexical typology by Vanhove (2008), devoted to the role that polysemy plays in investigating semantic shift, both the available data and the methodology by which the data could be analyzed increased drastically. In 2010, Cysouw (2010) showed, how recurrent polysemies can be visualized and analyzed as a network. In 2011, Urban (2011) presented the idea that certain directional tendencies of semantic change can be inferred from the existence of examples in which semantic similarities are overtly marked in individual language varieties. In 2014, the _Database of Cross-Linguistic Colexifications_ (CLICS, https://clics.clld.org) was published (List et al., 2014), building on Cysouws’ idea of polysemy networks which were derived from a collection of 300 comparative wordlists that were automatically searched for _colexifications_ , that is, cases where different concepts in the same language were expressed by identical word forms. With these new resources and ideas to visualize and explore semantic relations in large-scale accounts of cross-linguistic data, lexical typology grew into a popular subfield of linguistic typology (Koptjevskaja-Tamm et al. 2007, Koptjevskaja-Tamm et al. 2015, Sjöberg et al. forthcoming). While previous studies had compared how the lexicons of human languages organize meaning in different ways, had relied on case studies and small-scale examples involving hand-selected languages, it was now possible to study meaning organization through the lens of a large part of the world’s languages with the help of technically and theoretically considerably simple means. ## **2 From Polysemy to Colexification** François originally defined _colexification_ as a relation that holds for the senses that are expressed by identical word forms in one and the same language. > A given language is said to colexify two functionally distinct senses if, and only if, it can associate them with the same lexical form. (François, 2008, p. 170) From this definition, it is clear that colexification is intended as a _cover term_ _for the previously established terminology around_ __polysemy__ _,___vagueness__ _, and_ __homophony__. In linguistic terminology, there are several terms that can be used to _specific_ cases where two senses are associated with the same lexical form, such as _polysemy_ and _vagueness_ , referring to senses associated with the _same_ form, and _homophony_ , referring to senses associated with different forms that came to sound alike at some point in the history of a language. From the perspective of linguistic terminology, the term was useful in two regards. Since, on the one hand, it replaces largely _explanative terminology_ with _descriptive terminology_ _(see Jacques & List, 2019, p. 141 on this distinction)_, it facilitates, on the other hand, the investigation of lexical semantics across languages, since it shifts the burden of proof from the stage of data collection to the stage of data analysis. Explanative terminology (one could also say “diagnostic terminology”) does not only describe a phenomenon, but also tries to explain it at the same time. Polysemy is usually _explained_ as the result of semantic change when individual forms acquire more senses, while homophony is _explained_ as the result of sound change leading to phonological merger in individual forms of a language. Determining that two senses are colexified in a given language does not explain _why_ this is the case, but merely notes this as a fact inferred from empirical observations. This has drastic consequences for the investigation of lexical semantics across languages. While any cross-linguistic study on polysemy, vagueness, or homophony, would have had to distinguish these phenomena beforehand, reducing the study to the overall phenomenon of distinct senses being expressed by the same form enabled large-scale investigations based on standardized comparative wordlist collections. In such a facilitated workflow, one would no longer have to search individual languages for instances of polysemy in a fixed set of meanings, but could rather search for _colexifications_ , that is, cases where two or more concepts in a comparative wordlist are expressed by identical translational equivalents. How these cases could be _classified_ would be a second step, where early research immediately showed that cases of polysemy and vagueness tend to recur across different language families, while cases of homophony tend to be restricted to individual languages and individual language families (List et al., 2013). As a result, the distinction between polysemy and vagueness on the one hand and homophony on the other hand, can be readily established _after_ colexification patterns have been assembled for a sufficiently large number of languages and language families. This procedure was the basic idea behind the CLICS database, which provides an automated procedure to harvest colexification patterns from cross-linguistic wordlist collections that was modified and improved across the database’s four different major versions (List et al., 2014, 2018; Rzymski et al., 2020; Tjuka et al., 2025). When using colexification as a cover term for polysemy, vagueness, and homophony, CLICS assembles individual examples from different languages of all these phenomena and later allows to single out cases of homophony by focusing on the most frequently observed _patterns_. ## **3 Intended Definition of Colexification** Recent discussions at the workshop on _Semantic Shifts and the Dynamics of Lexification Patterns_ organized by Alexandre François, Anna Zalizniak, and Anna Smirnitskaya as part of the _16th International Conference of the Association for Linguistic Typology in Lyon_ (July 1-3, 2026) made it clear that the term _colexification_ is used in two different ways by linguists from different backgrounds (or “schools”). On the one hand, there are linguists who work either in the tradition of François’ original work or in the context of the _Database of Semantic Shifts_ (https://datsemshift.ru, Zalizniak et al., 2023), a large-scale catalogue of various attested kinds of semantic shifts that have been collected for more than 20 years now directly from the linguistic literature (Zalizniak, 2018). On the other hand, there are linguists working in the context of the CLICS database. The former tradition restricts the term _colexification_ to cases of polysemy and vagueness, excluding cases of homophony from the definition. In the context of the work of the latter tradition, _colexification_ was always a cover term for _all_ cases where one form has multiple senses in a given language. Given that the tradition restricting colexification to polysemy and vagueness is represented by the scholar who introduced the term colexification, there are good reasons to follow the narrower definition of colexification, even if the original text introducing the term does not explicitly exclude homophony as one of the aspects covered by the term. Even in the case of the CLICS database, which was profiting so much from the broader version of colexification in order to justify its workflow, the narrow version of colexification might be useful and even help to clarify past studies. From these studies on emotion concepts (Jackson et al., 2019), body part terms (Tjuka, 2024; Tjuka et al., 2024), perception and cognition (Georgakopoulos et al. 2022), and lexical creativity (Brochhagen et al., 2023), it is quite clear that the main intention of the database is to _infer_ colexifications in the narrow sense, filtering out cases of homophony by rather simple quantitative means. However, treating colexification as a mere cover term for vagueness and polysemy means at the same time, that the two major advantages of the term, the shift from explanative to descriptive terminology and the facilitation that this shift provides for quantitative approaches, would vanish, at least in parts. It would also mean that terminological frameworks that attempt to view colexification in the larger context of _coexpression_ would have to be revised, especially since cases of _cogrammification_ as defined by Haspelmath (2023) also do not ask _how_ a pattern emerged, but rather conclude that a pattern can be _determined_ from the data. Additionally, it may be questionable whether it is actually possible to strictly distinguish between homophony on the one hand and polysemy and vagueness on the other hand in all cases (consider the ambiguity of English _ear_ , as referring to a body part or the part of a plant, which is often seen as some kind of polysemy, although it is the result of phonological merger). Thus, despite François’ original intention, one may argue that the broad version of colexification is actually in line with the established practice in linguistic typology. As often, when it comes to terminology, it seems that the field will have to live with some compromise solutions that emerge from the research practice. Abandoning the broad definition of colexification would require us to employ a new term, which may be seen as a minor problem, but given the conflict with the practice in general discussions on coexpression and semantic maps, we would be forced to revise the terminology in this area more generally and broadly. Retaining the broad definition for colexification as the norm has the disadvantage that in most scholars’ _practice_ , homophony is essentially ignored, no matter whether they see colexification in its broad or narrow version. It seems for the time being, that it is best to leave everything as is, while being prepared to mention the ongoing conflict with the terminology explicitly, where needed. ## **4 Beyond Colexification** While François agreed in the discussion about the term _colexification_ at the workshop at the ALT conference, that the original paper (François, 2008) does _not_ explicitly exclude homophony from the definition, reading the original paper with the revised narrow definition in mind clarifies those parts that go beyond _strict colexification_ proper. > In particular, “strict colexification” (same lexeme in synchrony) should be carefully distinguished from “loose colexification” (covering all other cases mentioned here). (François, 2008, p. 171) _Strict colexification_ is contrasted with _loose colexification_. Under the latter term François (2008) subsumes a variety of other, more or less similar, relations between concepts mediated through their word forms. Among these are _diachronic semantic change_ , in which a word form _w_ expresses a concept A at a point in time _t1_ but refers to concept B at a later point in time _t2_ (at which stage concept A may either still be attested or have been lost). Cases involving diachronic semantic change are comparable to strict colexification in that the concepts relate through an identical word form; unlike strict colexification, however, these word forms belong to different historical stages. Owing to this similarity Georgakopoulos & Polis (2021) do not treat the two cases as entirely distinct, but instead introduced the term _diachronic strict colexification_ , which captures both the diachronic dimension of the phenomenon and the fact that the same form is involved. While the broad definition of colexification may be seen as problematic here, since cases in which word forms overlap in parts, are the norm rather than the exceptions in natural languages, even if the word forms involved do not display any etymological connections, it is clear from the examples given by François that colexification is used in the _narrow_ sense. This means that François does not consider cases where two word forms show some coincidental overlap in some parts, but rather presupposes that loose colexifications can only be determined if one can prove the historical unity of the shared material in question. While it seems basically convincing to restrict colexification along these lines, recent research devoted to so-called _partial colexifications_ , that is, colexification patterns involving _parts_ of the linguistic form (List et al., 2022), seem to show again, that the notion of colexification as a descriptive term has concrete advantages for computational studies. Thus, List (2023) showed how the idea of _synchronic asymmetries_ in _overt marking_ proposed by Urban (2011) can be operationalized in a quantitative framework and applied to larger collections of comparative wordlists by searching automatically for those cases in which one word occurs at the beginning or the end of another word in a given language. Since these substring relations are called _affixes_ in computer science, List proposes to term these relations _affix colexifications_ , as a specific case of _partial colexification_ , emphasizing that the inference of these relations across different forms in a given language does not necessarily reflect valid semantic relations, but showing that potentially valid forms can again be inferred by filtering _patterns_ across multiple languages and language families. Partial colexification can be seen as more restrictive than loose colexification, given that the latter refers to etymological relations, while the former explicitly points to the synchronic identity of _parts_ of the linguistic form in a given language. That cross-linguistically recurring affix colexifications can give hints to valid and potentially interesting semantic relations is further illustrated by a study of Bocklage et al. (2025). In an empirical evaluation, the authors show that filtering affix colexifications by frequency of occurrence across language families can indeed help minimizing the number of false positives. Abandoning the term _partial colexification_ due to its conflict in coverage with the term _loose colexification_ may again seem to be the easiest way to deal with the terminological problems here. But again, we must observe that first, the definition of loose colexifications does not explicitly exclude cases of coincidence in form overlap. Second, abandoning the broad colexification definition would yield conflicts with the general coexpression terminology in linguistic typology, given that coexpression cannot rule out coincidence as easily as lexical typology can rule out homophony. As a result, it may be useful to emphasize that the terms _loose colexification_ and _partial colexification_ are not compatible, given that they reflect different scholarly traditions, the former being at least in part explanative (definitely diagnostic), and the latter being deliberately descriptive. ## **5 Conclusion** From what has been discussed so far, it will probably be clear that the terminology with respect to and around the term _colexification_ has made some infelicitous turns so far. As a result, we are – yet another time – faced with terminological traditions in our field that display certain conflicts among scholars, differences in opinions, and also sheer misunderstandings. On the one hand, the young history that the term _colexification_ experienced so far, can be seen as representative for typical terminology struggles in science. On the other hand, one should not ignore the momentum of serendipity reflected in the fate of the term _colexification_ , given that the reinterpretation of the partially explanative term as a purely descriptive term has given scholars the chance to develop simple but very effective quantitative approaches to lexical typology. Future research will show if additional solutions can be found. For now, all we can recommend is that scholars who work with colexifications make clear in which tradition they allocate their terminology. **References** Bocklage, K., Georgakopoulos, T., Dam, K. P. van, Ciucci, L., Blum, F., Kučerová, A., Rubehn, A., Stephen, A., Snee, D., & List, J.-M. (2025). Testing the Potential of Automatically Inferred Affix Colexifications for Linguistic Typology. in _Humanities Commons_ (pp. 1–35). https://doi.org/10.17613/a06m1-c9939 Brochhagen, T., Boleda, G., Gualdoni, E., & Xu, Y. (2023). From language development to language evolution: A unified view of human lexical creativity. _Science_ , _381_(6656), 431–436. https://doi.org/10.1126/science.ade7981 Cysouw, M. (2010). Drawing Networks from Recurrent Polysemies. Comment on “polysemous qualities and universal networks” by loïc-michel perrin (2010). _Linguistic Discovery_ , _8_(1), 281–285. François, A. (2008). Semantic maps and the typology of colexification: intertwining polysemous networks across languages. in M. Vanhove (Ed.), _From polysemy to semantic change_ (pp. 163–215). Benjamins. Georgakopoulos, T. and Polis, S. (2021): Lexical diachronic semantic maps. Mapping the evolution of time-related lexemes. _Journal of Historical Linguistics_ 11(3). 367-420. https://doi.org/10.1075/jhl.19018.geo Georgakopoulos, T., Grossman, E., Nikolaev, D., and S Polis (2022): Universal and macro-areal patterns in the lexicon: A case-study in the perception-cognition domain. _Linguistic Typology_ 26(2): 439–487. https://doi.org/10.1515/lingty-2021-2088 Haspelmath, M. (2023). Coexpression and synexpression patterns across languages: comparative concepts and possible explanations. _Frontiers in Psychology_ , _14_ , 1–12. https://doi.org/10.3389/fpsyg.2023.1236853 Jackson, J. C., Watts, J., Henry, T. R., List, J.-M., Mucha, P. J., Forkel, R., Greenhill, S. J., Gray, R. D., & Lindquist, K. (2019). Emotion semantics show both cultural variation and universal structure. _Science_ , _366_(6472), 1517–1522. https://doi.org/10.1126/science.aaw8160 __ Jacques, G., & List, J.-M. (2019). Save the trees: Why we need tree models in linguistic reconstruction (and when we should apply them). _Journal of Historical Linguistics_ , _9_(1), 128–166. https://doi.org/10.1075/jhl.17008.mat Koptjevskaja-Tamm, M., Vanhove, M., and Koch, P. (2007). Typological approaches to lexical semantics. Linguistic Typology, 11(1), 159–185. https://doi.org/10.1515/LINGTY.2007.013 Koptjevskaja-Tamm, M., Rakhilina, E., and M. Vanhove (2015): The Semantics of Lexical Typology. In Nick Riemer (ed.), _The Routledge Handbook of Semantics_ (pp. 434–454). London: Routledge. List, J.-M. (2023). Inference of partial colexifications from multilingual wordlists. _Frontiers in Psychology_ , _14_(1156540), 1–10. https://doi.org/10.3389/fpsyg.2023.1156540 List, J.-M., Forkel, R., Greenhill, S. J., Rzymski, C., Englisch, J., & Gray, R. D. (2022). Lexibank, A public repository of standardized wordlists with computed phonological and lexical features. _Scientific Data_ , _9_(316), 1–31. https://doi.org/10.1038/s41597-022-01432-0 __ List, J.-M., Greenhill, S. J., Anderson, C., Mayer, T., Tresoldi, T., & Forkel, R. (2018). CLICS². An improved database of cross-linguistic colexifications assembling lexical data with help of cross-linguistic data formats. _Linguistic Typology_ , _22_(2), 277–306. https://doi.org/10.1515/lingty-2018-0010 List, J.-M., Mayer, T., Terhalle, A., & Urban, M. (2014). _CLICS: Database of Cross-Linguistic Colexifications. Version 1.0_ (version 1.0.0). Forschungszentrum Deutscher Sprachatlas. http://clics.lingpy.org List, J.-M., Terhalle, A., & Urban, M. (2013). Using network approaches to enhance the analysis of cross-linguistic polysemies. _Proceedings of the 10th International Conference on Computational Semantics – Short Papers_ , 347–353. Rzymski, C., Tresoldi, T., Greenhill, S., Wu, M.-S., Schweikhard, N. E., Koptjevskaja-Tamm, M., Gast, V., Bodt, T. A., Hantgan, A., Kaiping, G. A., Chang, S., Lai, Y., Morozova, N., Arjava, H., Hübler, N., Koile, E., Pepper, S., Proos, M., Epps, B. V., … List, J.-M. (2020). The Database of Cross-Linguistic Colexifications, reproducible analysis of cross- linguistic polysemies. _Scientific Data_ , _7_(13), 1–12. https://doi.org/10.1038/s41597-019-0341-x Sjöberg, A., Georgakopoulos, T., and Koptjevskaja-Tamm, M. (forthcoming): Typology and universals of word meaning. In D. Geeraerts & D. Glynn (Eds.), _The Cambridge handbook of lexical semantics_. Cambridge University Press. Tjuka, A. (2024). Objects as human bodies: cross-linguistic colexifications between words for body parts and objects. _Linguistic Typology_ , _0_(0). https://doi.org/10.1515/lingty-2023-0032 Tjuka, A., Forkel, R., & List, J.-M. (2024). Universal and cultural factors shape body part vocabularies. _Scientific Reports_ , _14_(10486), 1–12. https://doi.org/10.1038/s41598-024-61140-0 Tjuka, A., Forkel, R., Rzymski, C., & List, J.-M. (2025). Advancing the Database of Cross-Linguistic Colexifications with New Workflows and Data. _Proceedings of the 16th International Conference on Computational Semantics_ , 1–15. https://aclanthology.org/2025.iwcs-main.1 Urban, M. (2011). Asymmetries in overt marking and directionality in semantic change. _Journal of Historical Linguistics_ , _1_(1), 3–47. Vanhove, M. (Ed.). (2008). _From polysemy to semantic change_. Benjamins. Zalizniak, A. A. (2018). The Catalogue of Semantic Shifts: 20 years later. _Russian Journal of Linguistics_ , _22_(4), 770–787. https://doi.org/10.22363/2312-9182-2018-22-4-770-787 Zalizniak, A. A., Smirnitskaya, A., Russo, M., Mikhailova, T., Bobrik, M., Gruntov, I., Orlova, M., Bibaeva, M., & Voronov, M. (2023). _Database of Semantic Shifts [Version from 20/12/2023)_. Institute of Linguistics at the Russian Academy of Sciences. https://datsemshift.ru/ **Cite this article as:** Johann-Mattis List, Katja Bocklage, and Thanasis Georgakopoulos (2026): “The ambiguity of the colexification term” in _Computer-Assisted Language Comparison in Practice_ , 9.2: 85-92 [first published on 19/08/2026], URL: https://calc.hypotheses.org/9547, DOI: 10.15475/calcip.2026.2.2. **Download the article as PDF:** calcip-09-2-2.pdf **Copyright information** : This is an open access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited. **Funding Information** : This project has received funding from the European Research Council (ERC) under the European Union’s Horizon Europe research and innovation programme (Grant agreement No. 101044282). The funders had no role in study design, data collection and analysis, decision to publish, or preparation of the manuscript. Johann-Mattis List Seit Anfang 2023 leite ich den Lehrstuhl für Multilinguale Computerlinguistik in Passau. In meiner Forschung nehme ich generell einen datenbasierten,… Read more View all posts Katja Bocklage View all posts Thanasis Georgakopoulos View all posts * * * The text only may be used under licence Creative Commons Attribution 4.0 International. All other elements (illustrations, imported files) are “All rights reserved”, unless otherwise stated. * * * OpenEdition suggests that you cite this post as follows: Johann-Mattis List, Katja Bocklage, Thanasis Georgakopoulos (August 19, 2026). The Ambiguity of the Colexification Term. _Computer-Assisted Language Comparison in Practice_. Retrieved August 19, 2026 from https://calc.hypotheses.org/9547 * * * * * * * *

Ich habe heute ein wirklich originelles Gutachten für einen wissenschaftlichen Artikel geschrieben. Ich glaube, es ist das originellste Gutachten, das ich je geschrieben habe. Wenn das aber mit dem Anspruch, die die modernen Zeitschriftenorganisationssysteme so mit sich bringen, wird es sicher auch nicht das Letzte dieser Art gewesen sein. Das Gutachten lautete (frei ins Deutsche übersetzt): > Entschuldigung, ich wollte das Gutachten eigentlich gar nicht schreiben, da ich mich mit dem Thema nicht auskenne, aber ich habe aus Versehen auf den falschen Knopf gedrückt. Jetzt lässt mir Ihr System leider keine Wahl, diese Entscheidung rückgängig zu machen, und da ich weiß, dass Sie auf meine Emails ohnehin nicht antworten werden, muss ich leider jetzt diese Textfeld, das eigentlich für das Gutachten gedacht ist, nutzen, um Ihnen durch dieses Scheingutachten mitzuteilen, dass ich das Gutachten nicht verfassen kann. Das Problem, auf das ich hier versucht hatte, zu reagieren, besteht in den automatisierten Systemen der wissenschaftlichen Zeitschriften, die Menschen einladen, Gutachten zu verfassen. Diese sind meist vollkommen automatisiert. Von Seite der Herausgeber wird nur die Email der Person eingegeben, die ein Gutachten für ein bestimmtes Manuskript verfassen soll. Dann wird diese Person in regelmäßigen Abständen mit Emails bedacht, die sie auffordern, das Gutachten zu verfassen. Meist sind die Fristen, die dabei gesetzt werden, lächerlich kurz. Der Standard bei Verlagshäusern wie Springer-Nature liegt bei zwei Wochen. Wenn man nicht auf die Email antwortet, wird man so lange weiter alle paar Tage eine Erinnerung bekommen, bis man entweder abgesagt oder zugesagt hat, oder bis genug Menschen gefunden wurden, die bereit sind, ein Gutachten zu verfassen. Dann kann von Herausgeberseite die Einladung zurückgezogen werden, und man bekommt entweder eine Absage, oder einfach keine Emails mehr. Wenn man jetzt, wie ich, entweder aus Versehen den falschen Knopf drückt, oder (wie ich in einem anderen Fall) beim Lesen des vollen Textes merkt, dass man schlicht nichts sagen kann zu dem Thema, dann gibt es keine Möglichkeit, das Gutachten wieder abzulehnen. Das ist im System einfach nicht vorgesehen worden. Man kommt aus der Angelegenheit also einfach nicht mehr raus, ohne etwas außerhalb des gegebenen Systems zu tun, oder dem System zu gehorchen. Beim ersten Mal habe ich noch versucht, eine Email an die Zeitschrift zu schreiben. Es hat aber keiner reagiert. Als es mir mit dem falschen Knopf dann wieder passierte, hab ich mich für die neue Variante entschieden. Das Gemeine an diesen Systemen ist ja, dass Nicht-Reagieren eben auch nicht hilft. Denn dann bekommt man diese unpersönlichen, bürokratisch fordernden Emails alle paar Tage zugeschickt, was sich zusammen mit normalen Spams und den Spams von Paper Mills und Predatory Publishers (List 2021) schon zu einer beachtlichen Anzahl an Nachrichten mausern kann, die einem die Inbox verstopfen und die Wahrscheinlichkeit erhöhen, wichtige Nachrichten zu ignorieren. Vor allem, wenn man Dinge wie Gutachten generell gewissenhaft angeht (und ich denke, dass ich das tue), dann können diese ständigen Erinnerungsemails schon einen ordentlichen Druck aufbauen. Ich gehe davon aus, dass viele Kolleginnen und Kollegen eine Vielzahl der Emails dieser Art einfach ignorieren, wenn sie sie bekommen. Mir selbst fällt es aber wirklich schwer, Dinge unbeantwortet zu lassen. Das gehört sich eben einfach nicht. “Das macht man nicht”, um die Worte meiner Oma zu bemühen. Ich finde es selbst schon immer so störend, wie Menschen sich im beruflichen Kontext problemlos _ghosten_ (List 2024), dass ich keine Lust habe, da mitzumachen, auch wenn meine Wut über die Verlage durch diese ständigen Erinnerungsmails immer mehr zunimmt. Auch wenn es natürlich nicht die feine Art ist, statt eines Gutachtens eine Absage zu liefern, so sehe ich im Moment keine andere Möglichkeit, auf das Problem aufmerksam zu machen, welches die Verlage mit ihrer schrecklichen Publikations- und Begutachtungspolitik zu verantworten haben. Es ist nur zu verständlich, dass keiner mehr Gutachen schreiben möchte, wenn man sich anschaut, wie die Verlage ihre Autoren in der Wissenschaft behandeln. Gutachten pauschal zu verweigern ist jedoch leider auch keine Lösung. Wir sind ja schließlich alle darauf angewiesen, dass jemand unsere eigenen Texte liest und begutachtet. Ich verfasse daher weiter fleißig meine Gutachten (in diesem Jahr waren es schon insgesamt 40, ohne die abgelehnten mitzuzählen) und werde das auch weiterhin tun. Aber ich habe mir jetzt vorgenommen, die Zeitschriften und deren Herausgeber in Zukunft ein bisschen mehr in die Pflicht zu nehmen. Wenn mir Artikel ohne Code und Daten geliefert werden, dann werde ich nicht mehr freundlich die Autorinnen oder Autoren daran erinnern, mir diese nachzuliefern, sondern stattdessen einfach den Artikel ablehnen und das Gutachten durch eine freundliche Nachricht an die Herausgeber ersetzen, die diese darauf hinweist, dass es ihre Pflicht ist, Einreichungen auf Vollständigkeit zu prüfen, und nicht meine. Wenn man nur noch Aufmerksamkeit erzeugen kann, indem man das System sprengt, dann sei es eben so. Ich habe ja jetzt immerhin eine Vorlage, die ich auch in Zukunft immer dann verwenden kann, wenn ich mal wieder aus Versehen auf den falschen Knopf gedrückt habe. Die muss dann nur noch um eine Vorlage ergänzt werden, die ich nutzen, wenn wieder mal ein nicht reproduzierbarer Artikel auf meinem Gutachtertisch landet. Mal sehen, welche weiteren Vorlagen die nächsten Jahre ergeben werden. Die Themen, wo man wissenschaftlich Mist bauen kann, werden in Zeiten von KI und Depp-Bots ja nicht weniger. # Literatur List, Johann-Mattis. 2021. “Von Beutegreiferverlagen und Papierfabriken.” _Von Wörtern Und Bäumen_ 5 (6). https://wub.hypotheses.org/1312. ———. 2024. “Von Geistern verlassen.” _Von Wörtern Und Bäumen_ 8 (11). https://doi.org/10.58079/12p9y. Johann-Mattis List Seit Anfang 2023 leite ich den Lehrstuhl für Multilinguale Computerlinguistik in Passau. In meiner Forschung nehme ich generell einen datenbasierten,… Weiterlesen Alle Beiträge anzeigen * * * Nur der Text ist unter der Lizenz Creative Commons Namensnennung 4.0 International nutzbar. Alle anderen Elemente (Abbildungen, importierte Anhänge) sind „Alle Rechte vorbehalten“, sofern nicht anders angegeben. * * * OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren: Johann-Mattis List (14. August 2026). Vom Ablehnen. _Von Wörtern und Bäumen_. Abgerufen am 14. August 2026 von https://wub.hypotheses.org/3559 * * * * * * * *

Formal notations for the handling of sound laws in historical linguistics have been employed by linguists for a long time. So far, however, linguists have barely tried to describe their notation practices formally. As a result, a lot of variation can be found in the practice of sound law notation. This specification can be seen as a first attempt to provide an exhaustive documentation for a particular sound law notation scheme. This notation scheme accompanies an online-tool in which sound laws can be applied to actual words in order to test the consequences of sound change in practice. ## **1 The MISOL Sound Law Notation Scheme** MISoL (_Modeling and Inducing Sound Laws_ , List 2026, https://misol.edictor.org) is an interactive online tool in which user can define sound laws and apply them to concrete words in order to test the consequences of sound change in practice. MISoL’s scheme for sound law notation is based on the common practice of sound law notation, as it can be found in the historical linguistics literature. It differs from some notation variants, however, in so far as the scheme does not employ feature systems. What MISoL offers instead is a sound class system that allows users to define their own sound classes that can be later used to denote groups of sounds when it comes to defining individual sound laws. The goal of this description is to provide a clear specification of the notation system underlying MISoL. By providing this specification along with concrete examples of how the notation is supposed to be implemented, I hope to provide the basis to test the tool consistently and develop it further in the future. The MISoL tool consists of four major components accessible in four different tabs of the web interface. The first component defines sound classes and sound laws. The former allow to group sounds into arbitrary units, and the latter allow to define how sounds in an ancestral language change into sounds in a descendant language in a certain context. The second component allows to convert words in the ancestral language into words in the descendant language (also known as “forward reconstruction”, Sims-Williams 2018), and the third component allows to guess from which words in the ancestral language a given word in the target language has evolved. The fourth component allows to import and export data in text form, enabling users to store their analyses, parse the data with additional software tools, or to compare different approaches to solve the same problem in phonological reconstruction. The components are summarized in Figure 1. Figure 1: Major components of the MISoL workflow. In the following, all four components, essential for the tool, will be described in detail, along with concrete examples that show how the tool is expected to react. **2 Defining Sound Classes** The table of sound classes defines sounds in a very simple way, by assigning one or more sounds or sound classes to a certain sound class label on each line. Sound classes are read in from the first to the last line and definitions are stored at the time a line is parsed. As a result, sound class assignments can be combined, and an existing sound class can be assigned to another class. The assignment of one or more sounds or sound classes to a given sound class is represented in the form: name = sound1 sound2 sound3 The name of a sound class must be alphanumeric, similar to typical Python variables, and should not start with a number. The =-sign must have a space to the left and to the right. All sounds (or sound groups referenced by invoking an existing sound class name) must be separated by a space. Thus, the following examples for sound class definitions are all _wrong_ : name=sound1 sound2 sound3 name =sound1 sound2 sound3 name= sound1 sound2 sound3 1name = sound1 sound2 sound3 Internally, a sound class is an ordered list of sounds. By assigning sounds to a sound class, the sounds are made available to the MISOL system to act as source and target of sound change processes and to be referenced in sound laws. In addition to referencing groups of sounds with the help of sound class variables, all individual (“terminal”) sounds are also represented in as sound classes. The difference is that these classes have the same label as the sound iself and that they contain only one element (the sound they refer to). Furthermore, each final symbol that is identified as a sound (and not a sound class name) by the MISOL system is also assigned to its own class with one single manner. Thus, the following line will define as many as 5 internal sound classes, of which four have one single member, and the first targets the four only sounds in the system. my_class = a b c d Thus, internally, this will result in the following key-value representation: { "my_class": ["a", "b", "c", "d"], "a": ["a"], "b": ["b"], "c": ["c"], "d": ["d"] } When parsing sound laws, MISOL automatically checks for sounds that have not been referenced in the sound class table and adds them as individual sounds to the table of sound classes. As a result, you do not need to define sound classes in order to define sound laws. In order to check which sound classes have been defined in MISOL, click on the SHOW CLASSES AND LAWS button, after having inserted your sound class definitions and your sound laws in the _Classes and Laws_ tab. A table will open and present you all sound classes that have been defined, including both those classes that you defined actively, as well as those classes that were inferred automatically from the sound laws you defined. When you check the sound classes in MISOL, you will see that the list of classes shows three sound classes in the beginning, which are provided independently of what you have defined or not. These reserved classes, are the symbols ^, $, and –. ^ refers to the beginning of a sequence and can be used in the context string of a sound law. The same holds for $ referring to the end of a sequence. – refers to a specific sound law in which an element is lost (rather than being replaced by something). It can also be used as a source sound (in the case of epenthesis, which must be actively modeled) or as a target sound in a sound law. Other than for this specific purpose, the symbols should not be used. Sound classes are a way to model distinctive features that define individual sounds. The difference between feature-bundle representations for sounds in sound change models is that features are flexibly defined on the fly, and modeled rather as “tags” of individual sounds, or a shortcut to reference the sounds that are tagged with a certain sound class name in an ordered manner. In our opinion, this comes quite close to the way feature bundles are used intuitively by linguists so far, since one can define one’s sound system in a convenient manner, and provide major distinctions that may play a role in sound laws, such as voicing distinctions of consonants: voiced = b d g voiceless = p t k Another important aspect of sound classes is that they can be used as a shortcut for a group of sounds in sound laws, which often consist of an abstract set of independent sound changes, rather than an individual sound change that occurs in one context alone. As a result, one can refer to both individual sounds and to sound classes in the sound law descriptions of MISOL. As a further note on the way in which sound classes are handled in MISOL, consider the following assignments: voiced = b d g voiceless = p t k consonant = voiced voiceless m n ŋ This translates internally to the following major sound class representations: { "voiced": ["b", "d", "g"], "voiceless": ["p", "t", "k"], "consonant": ["b", "d", "g", "p", "t", "k", "m", "n", "ŋ"] } Thus, if a sound class like voiced has been assigned to a list of sounds, the label can be reused in order to assign the same group of sounds to another sound class. Internally, all sound classes are only represented as a group of terminal sounds, and only sound laws can be reused in assignments if they have already be defined. As a result, the following order of assignments would be problematic: consonant = voiced voiceless m n ŋ voiced = b d g voiceless = p t k Since voiced and voiceless have not been introduced yet with their target group of sounds, the interpreting code of MISOL would treat them as individual sounds (which can be represented by any string combination, provided it does not contain a space). Invididual sounds, however cannot be assigned to another group of sounds, since they are internally assigned to a group of one sound only, so the program throws a warning here and ignores the corresponding line. Since MISOL does not care how you define your sounds, it offers the possibility to work with groups of sounds as well as with individual sounds when dealing with sound change. In order to make sure that we distinguish groups from individual sounds, the recommendation is to use a dot . between sounds in a sound sequence in order to indicate that one is not dealing with individual phonemes. Thus, the final or rhyme of a Chinese word like [kwaŋ] could then be conveniently written as a.ŋ. MISOL, however, will treat this sequence of grouped sounds as an individual sound class (potentially a terminal one) and not assign it a specific semantics. Since sound classes are ordered lists of sounds, nothing speaks against it if you assign the same sound multiple times to one and the same sound class. This may be important in cases where _mergers_ are described in complex sound laws that deal with more than one input sound. There are two symbols which are automatically defined as sounds, which cannot be assigned to sound class groups: ^ represents the beginning of each word and $ the end. # is reserved as a comment marker. ## **3 Sound Laws in MISoL Notation** A sound law is an abstract formula that shows how one or more sounds in an ancestral language are converted to one or more sounds in a descendant language. It has the general formula: source > target / context The number of source sounds and target sounds must be identical and the context is optional and can be omitted: source > target The change marker > must be preceded and followed by a space. So the following lines would be erroneous and lead to errors. source> target source >target source>target The same strict rules apply for the marker separating the context, the slash, which must be preceded and followed by at least one space. So again, the following lines will all yield errors and as a result, the line will be ignored. source > target/ context _ source > target /context _ source > target/context ### 3.1 Source and Target in Sound Laws Source and target can be either a single sound, sound class, or list of sounds (indicated by square brackets), or a sequence of sounds. If the source and the target are a list of sounds or a sound class, they must be of the same length. Otherwise, MISOL will throw an error. Thus, the following sound law is fine. [a b] > [c d] Internally, it will be represented as _two_ sound laws: a > c b > d However, the following is wrong. [a b] > c This means, if you want to define a _merger_ , you must repeat the sound in the list of sounds as follows: [a b] > [c c] If a sequence of sounds is provided (a sequence is defined by passing more than one sound, list of sounds, or sound class, without enclosing them in brackets), this will also be interpreted internally by invoking two or more separate sound laws, where preceding or following context is resolved automatically by MISOL. This, means, the following code a b > c d / x _ y is equivalent to writing a > c / x _ b y b > d / x a _ y A sequence of sounds can consist of individual sounds, sound classes, or lists of sounds. Thus, you could write a sound law as the following one: [p t k] [a i u] > [p p p] [a a a] This will turned all plosives to the sound [p] and all vowels to [a] if the former are followed by the latter. If you want to combine sound classes to form a list of sounds, you can put them into square brackets. Thus, you could define the following sound classes: unvoiced = p t k voiced = b d g and then combine them to match unvoiced and voiced plosives in a single list in a sound law. [unvoiced voiced] > [p p p p p p] In this sound law, all plosives are turned to a [p]. However, if you write unvoiced voiced > [p p p p p p] the sound classes are interpreted as consecutive sounds and the parsing won’t work. The following law, however, would work, since you define two lists that follow each other. unvoiced voiced > [p p p] [p p p] Allowing to define consecutive sounds is thus a mere shortcut but it can come in handy in those cases where it seems difficult to define complex sound laws. If you pass a sound class, a single sound, or a list of sounds does not make a difference. Thus, if you have defined a sound class ptk as shortcut for the sounds p, t, and k, the following two statements are equivalent: ptk > ptk [p t k] > [p t k] The same holds for sequences of sounds: ptk ptk > ptk ptk [p t k] [p t k] > [p t k] [p t k] Mixing is also possible. ptk [p t k] > [p t k] ptk Note, however, that it is essential that the source and the target always contain the _same amount of sounds_ and the _same amount of positions_. If you want to indicate the loss of a sound, use the – as gap marker: ptk ptk > ptk [- - -] Note in this example, that you cannot write a single gap symbol, but must assemble a group (or define a sound class with the group before), since we require to have one target sound for each source sound and vice versa. This means also, that you must repeat a sound when using sound class notations to formulate sound laws, where a merger happens. [p t k] > [p p p] If you want to indicate that one sound turns into two sounds, which could happen in the case of epenthesis, you must provide the two sounds that replace the one sound in the original separated by a dot, as follows: n > n.d / _ r [a e i o u] MISOL will internally replace the sound by the sequence n.d in the respective context, but the final output will provide the sound in merged form. MISOL will in all cases represent sound laws individually, on the basis of one source sound corresponding to one target sound in one individual context. ### 3.2 Context in Sound Laws The context typically has the form: left_context _ right_context Here, _ represents the source sound. Both left and right context can be omitted. left_context _ _ right_context Context in left and right context is identically defined by a segmental representation of the sound sequence proceeds to the left in the left context and to the right in the right context. In this way, theoretically even very long ranging contexts can be modeled. If one wants to change an [s] followed by [p, t, k] and a vowel to [ʃ], one can write: s > ʃ / _ [p t k] vowel Here, the square brackets [ and ] are used to indicate that the three sounds p, t, and k represent a group that can alternatively occur in the second position following the source sound. A full-fledged toy example that would model that an s becomes voiced when followed by a vowel and turns into a ʃ when followed by a consonant and a vowel, one could define the following sound classes: consonant = p t k b d g s z ʃ ptk = p t k b d g vowel = a e i o u These could then be used in four sound laws: s > ʃ / _ [p t k] vowel s > z / _ vowel p t k b d g > p t k b d g vowel > vowel These would turn a word like s t a b into ʃ t a b but would turn s a b into z a b. Defining groups of sounds with square brackets can be done in a very flexible manner, and even sound classes can be placed inside brackets in order to form new groups of sounds. One can, for example, define two groups of sound classes for voiced and voiceless sounds as follows: ptk = p t k bdg = b d g These can then be used in combination in a sound law. a > e / _ [ptk bdg] 1. 1. 1. 3. ### 3.3 Using Tiers in Sound Laws MISOL is based on the idea that a sound sequence is often best represented as a sequence consisting of multiple _tiers_ (similar to multi-tiered annotation of texts in linguistic examples, such as interlinear-glossed text), that is, a matrix in which different aspects of the sequence are treated in segmental form. Tone, for example, can often be thought of as representing the whole syllable of a word in some tone languages, rather than only one of the sounds in the syllable, or the vocalic nucleus. MISOL supports using multi-tiered sequences in two ways. First, one can define multi-tiered sequences in a very flexible fashion by just providing a matrix of symbols with as many tiers as one wants to use instead of using only one tier alown. A word in a tonal language, consisting of two syllables with two distinct tones, could thus be represented in the following form: p a ŋ t a n ¹ ¹ ¹ ² ² ² In a similar way, one can represent stress in a word, e.g., by using the symbol 1 for stressed syllables and the symbol 0 for unstressed syllables. f a t ə r 1 1 0 0 0 Different tiers apart from the first segmental tier (called segments in MISOL) can be addressed in the context definitions in all positions by using the symbol @, followed by the name of the tier, in front of the group of sounds (marked by square brackets), preceding or following the sound in question (or the sound itself). Thus, to indicate that an unstressed [t] turns into a [d], one can write: t > d / @stress[0]_ When applying this sound law in forward reconstruction, one must provide both tiers (the segments tier and the stress tier) and pass the names of these tiers in the text field to the right of the field where one inserts the sound sequences to be modified, as shown in Figure 2. Figure 2: Using multi-tiered sequence representations in sound laws. The most common use-cases for sound laws with tiers is to define the specific tier value that holds for the segment that one intends to change (such as we have seen in the example). Other use cases, however, are also possible, when thinking of cases where a certain tier value holds for preceding or following sounds. Instead of actively _defining_ and _passing_ new tiers for individual segmental representations of sound sequences, one can also make use of inbuilt functions in MISOL that _compute_ tiers automatically. An example is again the use of a specific tonal tier (called tone), which is computed from the segmental representation of tones using superscript letters at the end of each syllable. Thus, passing a sound sequence such p a ŋ ⁵ d a n ¹ will automatically yield a virtual representation such as the following one internally in the MISOL program: p a ŋ ⁵ d a n ¹ ⁵ ⁵ ⁵ ⁵ ¹ ¹ ¹ ¹ As a result, tonal tiers can be used, as long as the tone values are indicated by superscript numbers at the end of the syllable in each sequence. In order to invoke these tonal tiers, one must indicate this actively when using the forward reconstruction method (or the backward reconstruction), by adding @tone as an additional tier, as shown in Figure 3, assuming the following sound law: d > t / @tone[¹]_ Figure 3: Using multi-tiered sequence representations in sound laws with pre-computed tiers. Apart from tonal tiers (called tone in MISOL), MISOL currently offers three more tiers that can be automated, one tier that checks for the nasality of whole words (returning 1 if a words contains a nasal sound or a nasal vowel, and 0 otherwise), one tier for the initial sound in a word (returning the initial sound for each letter in the word, called initial), and one tier that handles the stress patterns of the word (requiring a specific annotation that uses stress markers to mark syllable boundaries in an explicit manner). As an example, consider the following three sound laws that all use one of the three automated tiers. d > t / @tone[¹]_ p > b / @initial[k]_ b > m / @nasal[1]_ Figure 4 shows, how these can be applied to individual sequences, and where in the tool one needs to provide the information on the tiers that one intents to use. In order to handle stress, stress must be marked in a specific fashion that differs from the current handling in the International Phonetic Alphabet. First, stress markers must be placed in front of every syllable in a word, not only in front of stressed syllabes. Second, stress markers receive their own slot, they should be separated by a space from the rest of the sequence. Third, stress markers must start with either the IPA stress marker ˈ or the quotation mark ‘ (for convenience), or the secondary stress marker ˌ, but stress markers can be expanded by adding arbitrary symbols, allowing to mark different kinds of stress, such as “unstressed by following a stressed syllable” (which would be needed for Verner’s law. Thus, when defining the following sound law, one can handle Verner’s law as well, by passing the sequence ˈ f a ˌ t e r, in which we assume that the secondary stress marker refers to unstressed syllables following a stressed syllable. [p t k] > [f θ x] / @stress[ˌ]_ Figure 4: Comparing different pre-computed tiers in MISoL. ### 3.4 Consecutive Sound Laws The basic idea of MISOL is that sound laws often happen at the same time. For this reason, MISOL does not chain individual sound laws in order in order to let them derive a new sequence to which the next sound law is applied, but rather applies them all at once to the original context. In most cases, these synchronous sound laws are sufficient and much easier to handle than consecutive sound laws. In some cases, however, it is clear that sound laws were active at different stages, called _layer_ in MISOL. Thus, MISOl allows you to “layer” your sound laws by assigning them to different layers which are then executed in the order in which you provide them. As a simple example, consider how Latin _generu-_ became _gendre_ in French. While one could model this change in synchronous sound laws in many ways (for example also by just replacing _e_ by a _d_ when occurring between _n_ and _r_), it is much easier and also closer to actual sound change to think of two different major changes that took place here. First, _generu_ becomes _genru_ , and then the epenthetic _n_ emerges. In order to model these sound laws in MISOL, you must assign individual sets of sound laws to a layer, by adding the layer name, placed in an equal sign, separated with a space, to the left and the right of the layer label. = Layer 1 = e > - / n _ r = Layer 2 = n > n.d / _ r [a e i o u] When applying these sound laws, MISOL will display all internal results, allowing you to track all intermediate forms that lead to the final form proposed by the tool, according to your sound laws. ### 3.5 Limitations in MISOL’s Formal Representations An obvious limitation for which there exists no current solution in MISOL is that context in MISOL cannot be selectively applied to the source values. This means essentially that a process like assimilation of [n] before voiced plosives [b d g] must be represented in three distinct lines. n > m / _ b n > n / _ d n > ŋ / _ ŋ The reason why this is needed is that we cannot assign three different target values to three different contexts, as one might, however, expect (and I am sure there are enough examples in the literature, where people formulate sound laws in this way). [n n n] > [m n ŋ] / _ [b d g] As of now, there is no other way but to spell all sound laws out, even if one feels that they belong together. It may, however, be possible that we find a solution for this problem in the future. **4 Forward Reconstruction (Tab “Forward Reconstruction”)** Forward reconstruction in MISOL is available in different flavors. What all approaches have in common is that MISOL first uses all available information on sound classes and sound laws in order to construct a virtual context window in which sound laws are supposed to take place. This window can be thought of as a multi-tiered sequence representation in which context is not handled on the horizontal axis, but precomputed for each segment in a sequence and represented in individual tiers, each corresponding to one specific context. For a sound law by which voiceless initials are voiced in intervocalic positions, for example, we would need two tiers apart from the base tier in order to represent context to the left of each segment and context to the right of each segment. The sound law could be represented as follows in MISOL (without using any sound classes), we add additional sound laws for completeness. [p t k] > [b d g] / [a i u] _ [a i u] [b d g] > [b d g] [a i u] > [a i u] When dealing with a new sequence b a p a now, MISoL has already inferred from the sound law, that we need two additional tiers, and will now represent the new sequence accordingly, by providing for each segment its right context and its left context, as shown in Table 1 below. **Table 1:** Internal segmental representation in MISoL. Tier | 1 | 2 | 3 | 4 ---|---|---|---|--- Segments | b | a | p | a Segments_Left | ^ | b | a | p Segments_Right | a | p | a | $ From the sound laws shown above, MISOL will construct vectors that represent individual contexts. These sound laws are based on the Cartesian product of the different sounds that can appear in the left and the right context and thus capture all eventualities, as shown in Table 2 below, that shows the individual vectors for the three sound laws (in abbreviated form). **Table 2:** Individual sound law vectors. ID | Law | Segments | Segments_Left | Segments_Right | Target ---|---|---|---|---|--- 1 | 1 | p | a i u | a i u | b 2 | 1 | t | a i u | a i u | d 3 | 1 | k | a i u | a i u | g 4 | 2 | b | Ø | Ø | b 5 | 2 | d | Ø | Ø | d 6 | 2 | g | Ø | Ø | g 7 | 3 | a | Ø | Ø | a 8 | 3 | i | Ø | Ø | i 9 | 3 | u | Ø | Ø | u When iterating over each position in the multi-tiered sequence, MISOL will try to find which of the laws (as shown in the table) provides a vector that matches the current vector in the sequence. The symbol Ø is a wildcard marker and matches with every sound. For our example, we can contrast the actual tiers with the pre-computed individual sound laws as shown below in Table 3. **Table 3:** Contrasting actual tiers with pre-computed individual sound laws. Tier | 1 | 2 | 3 | 4 ---|---|---|---|--- Segments | b | a | p | a Segments_Left (Source / Context) | ^ / Ø | b / Ø | a / **a** i u | p / Ø Segments_Right (Source / context) | a / Ø | p / Ø | a / **a** i u | $ / Ø Sound Law / ID | 2 / 4 | 3 / 7 | 1 / 1 | 3 / 7 Target | b | a | b | a This is the major procedure used by MISOL in order to turn one source sequence into one target sequence. The method (1) precomputes the context for the sequence, which allows it to (2) iterate over each position regardless of the order, searching for matching patterns and their corresponding output. ### 4.1 Strict and Ordered Reconstruction Mode The procedure as outlined here is what is called the “strict” mode in MISOL when using forward reconstruction. It is called “strict” with respect to the mode of reconstruction, since it does not tolerate that different sound laws match the same context and yield different output (MISOL will explicitly mark these cases). Users can choose between the strict mode and the “ordered” mode, in which the matching process is modified in such a way that in the case of competing sound laws, the law that was defined first, wins. This makes coding sound laws much more convenient, since one can first define a very strict law and later define a general law that would hold for all other cases not touched by this first law. s > ʃ / _ [p t k] s > s When passing a sequence s p a s a to this sound law, it would yield the output s|ʃ p a s a in strict mode, and ʃ p a s a in ordered mode, using the pipe to indicate competing sounds (see List et al. 2023 for this notation). ### 4.2 Treatment of Missing Sound Laws Scholars typically omit the “boring” sound laws from their descriptions, specifically those cases of sound change, where no sound change happens. Thus, we rarely find a sound law as the following in the literature. t > t MISOL tolerates the omission of not providing sound laws in those cases where sounds don’t change. The _Forward Reconstruction_ tab offers users to select whether missing sound laws should be _marked_ or _ignored_. If they are ignored, the original sound is used unchanged. If they are marked, the sound will be preceded by an exclamation mark and marked in red. ### 4.3 Tiers in Consecutive Sound Change Processes At the moment, you can only pass explicit tiers (such as accent) once. Since their main purpose is to be able to explain the initial change, they cannot be used in consecutive sound law processes, since this would require us to add a routine by which tiers from a source word turn into tiers from a target word. I have no concrete idea of how I would handle the evolution of multi-tiered sequences in which all tiers defined at an initial stage are propagated down to later stages. As a result, the tiers can be seen as a first idea that I consider worth to be tested, while they are not yet in a stage to allow for a realistic linguistic reconstruction that takes the complexity of sound sequences into account. ## **5 Backward Reconstruction** Backward reconstruction in MISOL is currently restricted to sound laws defined for one layer alone. That means, it is not possible to carry out a backwards reconstruction when multiple layers of sound laws have been defined. In order to test backwards reconstruction, you can load SAMPLE DATA that MISOL provides in the CLASSES AND LAWS tab. If you press on that tab, MISOL will load some sample data into all relevant fields. The data mimics a variety similar to Middle Chinese, with reflexes similar to the ones found in some Chinese dialects. In the tab on Backword Reconstruction, you will see that one form has been listed that is used to illustrate backward reconstruction. The form p a ⁵⁵. If you press on FIND PROTO FORMS, the program will suggest the following distinct proto-forms as shown in Figure 5. The algorithm is fairly simple. It will assemble all potential predecessor segments for all target segments and then construct all possible proto-forms. In a second step, it will apply the sound laws in a forward fashion in order to see if the same form p a ⁵⁵ will turn out as the result. Only those forms that match this output will be retained as possible proto-forms. Figure 5: Possible proto-forms for the target form pa⁵⁵ in the sample data. You can modify the method in order to see which forms were tested, by toggling the SHOW IMPERFECT button. Here, the results will be the same for the form p a ⁵⁵, since we work with a tonal tier in the data (marked by inserting tone into the second field). If you modify the form, replacing the tone ⁵⁵ by the tone ²¹⁴, the SHOW IMPERFECT option will show that there are more possible proto-forms that have been inspected using the greedy procedure, but which were discarded afterwards, by marking those segments that contradict the result. This is shown in Figure 6. Figure 6: Possible proto-forms for the target form pa⁵⁵ in the sample data. ## **6 Import and Export** Import and export of sound laws is based on a very simple text-based format that uses sections to distinguish the different parts of the data. If you have been working with the tool and want to save your sound laws, just go to the Import and Export tab and provide a name for your dataset. If you then click on EXPORT DATA, a button appears, with the name of the data and the ending .txt. Clicking that button allows you to download the data. Figure 7: Import and export tab of the online tool. In order to import a dataset, you just have to click on the Browse button below in the Import and Export tab and then go to Classes and Laws and click on LOAD DATA. This will load the data and you can start with forward reconstruction, and potentially also backward reconstruction. You can find sample files as part of the Codeberg repository (https://codeberg.org/digling/misol) of the tool in the folder examples. You can also download files for nasals.txt and verner.txt directly. ## **7 Outlook and Conclusion** With this attempt of providing a clear specification of the notation system underlying the MISoL tool, I hope to facilitate not only the application of the tool by those interested in modeling and testing sound laws, but also the further development of the tool. The current specifications has clear limitations that may have to be addressed in future work. Obvious lacks are the integration of multi-tiered sequence representations across multiple layers of sound change and the integration of multiple layers in backwards reconstruction. Whether these problems can be solved, however, remains unclear, since some both seem rather hard to be addressed by now, and already the introduction of tiers into the sound law notation scheme may introduce complications that one may want to avoid when trying to model sound laws consistently. Nevertheless, with this specification, a first step has been made towards writing down in a hopefully transparent manner the major ideas that underlie the MISoL tool. In the future, I do not only hope to solve the remaining problems, but also to use this specification as the basis for an additional implementation in a scripting language, that would allow to use the notation system in computer-assisted workflows independently of the online tool. ## Supplementary Data The MISoL software package can be found online at https://misol.edictor.org. The corresponding code is curated on Codeberg (https://codeberg.org/digling/misol, Version 1.0). ## **References** List, Johann-Mattis (2026): _MISoL: Modeling and Inducing Sound Laws with an Interactive Web-Application [Software Tool: Version 0.3]._ Passau: Chair of Multilingual Computational Linguistics at the University of Passau. https://misol.edictor.org List, J.-M., N. Hill, R. Forkel, and F. Blum (2023): Representing and computing uncertainty in phonological reconstruction. In: Proceedings of the 4th Workshop on Computational Approaches to Historical Language Change. Singapur. 22-32. https://aclanthology.org/2023.lchange-1.3 Sims-Williams, Patrick (2018): Mechanising historical phonology. Transactions of the Philological Society. 116.3. 555-573. https://doi.org/10.1111/1467-968X.12138 **Cite this article as:** Johann-Mattis List (2026): “Towards a Specification for the Formal Notation of Sound Laws” in _Computer-Assisted Language Comparison in Practice_ , 9.2: 65-83 [first published on 15/07/2026], URL: https://calc.hypotheses.org/9435, DOI: 10.15475/calcip.2026.2.6. **Download the article as PDF:** calcip-09-2-1.pdf **Copyright information** : This is an open access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited. **Funding Information** : This project has received funding from the European Research Council (ERC) under the European Union’s Horizon Europe research and innovation programme (Grant agreement No. 101044282). The funders had no role in study design, data collection and analysis, decision to publish, or preparation of the manuscript. Johann-Mattis List Seit Anfang 2023 leite ich den Lehrstuhl für Multilinguale Computerlinguistik in Passau. In meiner Forschung nehme ich generell einen datenbasierten,… Read more View all posts * * * The text only may be used under licence Creative Commons Attribution 4.0 International. All other elements (illustrations, imported files) are “All rights reserved”, unless otherwise stated. * * * OpenEdition suggests that you cite this post as follows: Johann-Mattis List (July 15, 2026). Towards a Specification for the Formal Notation of Sound Laws. _Computer-Assisted Language Comparison in Practice_. Retrieved July 15, 2026 from https://calc.hypotheses.org/9435 * * * * * * * *

Der KI-Boom hat etwas bewirkt, das man so nicht zwangsläufig hätte erwarten müssen. Er hat der menschlichen Sprache einen Boom beschert, nachdem diese durch den Boom von Internet und Onlinemedien mehr und mehr Marktanteile an andere Formen der Kommunikation verloren hatte. Diese Einschätzung mag so erst mal verblüffend klingen, und sie ist sicher auch ein bisschen überspitzt formuliert, ich halte sie aber dennoch für weitestgehend korrekt. Sprache ist nicht das einzige Mittel, mit dem Menschen kommunizieren können. Sie ist auch nicht das einzige Mittel, mit dem wir Wissen übermitteln oder konservieren können. Sprache steckt in fast allem, was uns Menschen und wie wir kommunizieren ausmacht, irgendwo drin, dies heißt jedoch nicht, dass Sprache immer auch die Alleinherrscherin ist, wenn es die Wahl der Kommunikationsmittel in bestimmten Situationen geht. So stand Sprache bei Fragen der Beschreibung der Umgebung eigentlich schon immer in Konkurrenz mit dem Bild. Je einfacher es die Technik machte, diese Bilder zu produzieren, desto mehr wurde die Sprache aus der Beschreibung der Umgebung verdrängt, und desto weniger spielt Sprache auch in unserer alltäglichen Kommunikation eine Rolle, wenn es darum geht, anderen zu erzählen, was wir sehen. Wir brauchen die Fähigkeit, den Stuck an einer Zimmerdecke so genau zu beschreiben, dass jeder sich ein Bild davon machen kann, einfach nicht, mehr, wo wir doch jederzeit unser Handy aus der Tasche holen können, um ein Bild davon per Messenger zu versenden. Dass Sprache hier zurückgedrängt worden ist, zeigt sich auch beim Fußball, der in den 1950ern noch vorwiegend gehört wurde, und inzwischen nur noch gesehen wird. Wer das Spiel für andere kommentiert, muss nicht mehr mit Sprache beschreiben, wo der Ball langfliegt, sondern kann sich darauf verlassen, dass die meisten, die zuschauen, das selbst sehen können. Dadurch verliert die Kunst, Flugbahnen von Bällen, Körperteilkarambolagen bei Fouls, oder Fußbewegungen beim Dribbling so in Worte zu fassen, dass andere sich davon ein Bild machen können, ihr Gnadenbrot. Einer der für mich auffälligsten Punkte zeigt sich aber in der Rolle, die Sprache als Vermittlerin von Spezialwissen gespielt hat. Als ich — wie ich in einem früheren Beitrag bereits beschrieben habe (List 2021) — mit etwa 12 Jahren begeistert anfing zu zaubern und wenig später auch zu jonglieren, da musste ich mir die Techniken, mit deren Hilfe man Bälle in der Luft hält und Seidentücher verschwinden lässt, mühsam aus Büchern anlesen. Videos konnte man kaufen, sie waren aber teuer, und wir hatten lange Zeit gar kein Videogerät. Auch gab es einfach wenig Auswahl an visuell aufbereiteter Information, die zeigt, wie man Tücher in Plastikdaumen steckt, ohne dass diese vom Publikum gesehen werden, oder wie man drei Bälle in der einen und zwei in der anderen Hand halten muss, um die Jonglage mit fünf Bällen zu erlernen. Klar hatten die Zauber- und Jonglierbücher, die ich damals las, zuweilen Bilder, die der Sprache die Präzision verleihen sollten, an der es ihr schon immer gemangelt hat, aber allzuoft war man auf die Beschreibung angewiesen, konnte das Problem ohne aufmerksames, vor allem langsames Lesen – ähnlich dem langsamen Denken, welches Kahneman (2011) dem schnellen Denken gegenüberstellt, gar nicht lösen (vgl. zum vertieften Lesen Wolf and Barzillai 2009). Wenn man Tricks lernen wollte, sei es beim Jonglieren oder Zaubern, musste man sich daher entweder auf andere verlassen, die einem live vormachen konnte, wie man bestimmte Bewegungen ausführen musste, oder man machte sich an die mühsame Arbeit, Sprache in Bewegung zu übersetzen. Diese umfasste dabei nicht nur die Umsetzung von sprachlichen Beschreibungen in Bewegungen, sondern bediente sich dabei oftmals auch eines Spezialvokabulars, welches in den Büchern eingeführt wurde, um leicht mit Sprache Bewegung modellieren zu können. So spricht man vom Palmieren, wenn man Gegenstände für die Zuschauer unsichtber in der Hand verbirgt, man unterscheidet die Kaskade als Grundmuster der Jonglage von ungeraden Gegenstandszahlen von Säulen als Grundmuster von geraden, oder man forciert die Wahl einer Karte, wenn man Kartentricks ausführt, die ich zwar auch fleißig geübt habe, aber eigentlich immer ermüdend und langweilig fand. Sprache diente in diesen Fällen nicht nur als Mittel der Kommunikation, sondern in gewisser Weise auch als komplexer Wissensspeicher, welcher grundlegendes Wissen um kulturelle Praktiken – Jonglage und Zauberei – verwahrt. Um auf das Wissen in diesem Speicher zuzugreifen, muss man in der Lage sein, sich dort zurechtzufinden. Man muss Zugriff auf den Kode haben, der selbst auf menschlicher Sprache aufbaut, diese aber zu einer Fachsprache erweitert. Wenn man auf Jongliermuster mit Hilfe von Videos zurückgreifen kann, braucht man diesen spezifischen Kode nur noch in Teilen. Man kann die Namen für bestimmte Tricks nutzen, um die Videos leichter auffindbar zu machen, oder man kann in den Videos selbst mit Hilfe von gesprochener Sprache kommentieren, was man tut. Wie beim Fußballkommentar im Fernsehen, muss dieser Kommentar aber viel weniger komplex sein, als der Kommentar, der nicht auf bewegten Bildern aufbauen kann. Die Sprache, mit der Jongliermuster oder Zaubertricks beschrieben werden, kann als speziell bezeichnet werden, da sie kulturelle Praktiken betrifft, die von sehr wenigen Menschen betrieben werden. In anderen Bereichen, wie der Musik oder der bildenden oder darstellenden Kunst, hat sich durch die größere Zahl an Partizipanten die Sprache, die zur Beschreibung verwendet wird, sicher viel klarer formalisieren können. Aber auch hier gehe ich davon aus, dass die Verfügbarkeit von bewegten Bildern als Erweiterung der Kommunikation auf Dauer einen drastischen Einfluss auf die Sprache haben wird, mit der wir über das sprechen, was wir tun. Genauso wie es viel einfacher ist, eine Landkarte aufzuzeichnen und auf diese zu zeigen, um zu beschreiben, wie man sich in der Welt bewegt, oder wo welcher Ort liegt, so sind bewegte Bilder, die man bei Bedarf noch um Hinweise ergänzt (auch in sprachlicher Form, durch Schrift zum Beispiel), doch einfach viel besser geeignet, Bewegungen detailgetreu zu beschreiben, als unsere menschliche Sprache, egal wie gut man sie beherrschen mag. Die menschliche Sprache mag faszinierend sein, weil sie eine flexible Kommunikation ermöglicht, die anderen Formen der Kommunikation, die vor allem im Tierreich gebräuchlich sind, weit überlegen ist. Sie hat jedoch wie vielleicht jedes Kommunikationsmittel auch ihre spezifischen Grenze. Sprache als solche, also als dieses spezifisch menschliche, auf Symbolen aufbauende Kommunikationsmittel, ist nicht an sich allen anderen Formen der Kommunikation überlegen. Die Sprache passt sich, als das urmenschliche Kommunikationsmittel, das sie ist, vielmehr an unsere Kommunikationsbedürfnisse an, wird von uns angepasst, erweitert und auch modifiziert, um spezifischen Bedürfnissen gerecht zu werden. Ein Beispiel für diese Erweiterung der Sprache durch die menschliche Kommunikation stellen die Zahlensysteme dar, die in vielen Sprachen vorkommen, aber nicht für das Funktionieren einer Sprache entscheidend sind. Wenn eine Sprache ein voll entwickeltes Zahlensystem hat, das den Menschen das Zählen bis 100 oder höher ermöglicht, dann weist dieses Zahlensystem immer auch grundlegende Eigenschaften auf, die für Sprache an sich nicht entscheidend sind. Dazu gehört zum einen eine oftmals sehr strikte Kompositionalität, die es erlaubt, höhere Zahlen durch die Kombination niedrigerer Zahlen auszudrucken. Zum anderen gehört dazu das Prinzip der Distinktivität (vgl. Rubehn et al. 2025). Dieses führt dazu, dass keine zwei unterschiedlichen Zahlen jemals durch die gleiche Wortform ausgedrückt werden. Dieses Prinzip ist wichtig, da es natürlich zu mathematischen Problemen führen könnte, wenn Menschen mit Sprachen verhandeln, in denen das Wort für fünf mit dem Wort für fünfzig identisch ist. In keiner Sprache, die ein vollwertiges Zahlensystem aufweist, gibt es also Ambiguitäten zwischen Zahlenwörtern, obwohl das Prinzip der Ambiguität ansosten einen sehr wichtigen Aspekt von Kommunikationssystemen darstellt, der wichtig für deren Flexibilität ist (Fröhlich et al. 2025). Um Zahlen in exakter Weise in der Kommunikation verwenden zu können, wurden Zahlensysteme also in viele menschliche Sprachen integriert, die Grundeigenschaften der Sprache wurden dadurch jedoch für den spezifischen Bereich der Zahlensysteme modifizert. Die Großen Sprachmodelle, welche die Spitze der Computeranwendungen zur künstlichen Intelligenz stehen und den Menschen versprechen, praktische alle Probleme lösen zu können, die sich ihnen stellen mögen, basieren primär auf der Idee, dass man mit Sprache jetzt das tun kann, wofür man vorher Spezialwissen brauchte. Wer malen wollte, musste sich mit Anatomie, Pinselstrichen, und Farbkombinationen beschäftigen, wer Musik machen wollte, musste sich mit Noten, Instrumente und Musiktheorie beschäftigen, wer programmieren wollte, musste Programmiersprachen und algorithmische Problemlösung kennen. Das Versprechen der Tech-Industrie, mit dem KI beworben wird, besteht meist darin, dass man all dies nicht mehr können muss, um trotzdem Bilder, Musik, oder Computerprogramme zu erzeugen. Es wird sogar von einer Demokratisierung gesprochen, weil endlich alle Menschen komponieren, malen und programmieren können, während dies vorher nur den privilegierten vorbehalten war, die die Ressourcen hatten, diese Fähigkeiten mit viel Zeitaufwand zu erlernen. Das Mittel, mit dem wir Kompositionen, Kunstwerke und Computerprogramme jetzt magisch erzeugen können, ist aber wieder genau die begrenzte menschliche Sprache, der es in ihrer Ambiguität und Fehlerhaftigkeit bereits ungemein schwer fällt, exakt zu beschreiben, wie man einen Ball von einer in die andere Hand wirft. Ich frage mich daher inzwischen oft, wie gut diese Idee eigentlich ist, auf die menschliche Sprache als Zugpferd zu setzen, das uns ins Zeitalter der allmächtigen künstlichen Intelligenz katapultieren soll. Wollen wir wirklich mit einer künstlichen Intelligenz zum Mars fliegen, die Schwierigkeiten hat, Flugbahnen eindeutig und mit möglichst geringem Informationsverlust zu beschreiben? Dass Sprache allein _nicht_ ausreicht, um aus einfachen Geisteswissenschaftlern plötzlich Informatikerinnen oder Informatiker zu machen, dass, entgegen der Ansicht von Scheuer (2026) _Deutsch_ gerade _nicht_ die neue Programmiersprache ist, scheint sich inzwischen immer mehr zu bestätigen. Der Vibe-Coding-Boom, der noch vor Kurzem so energisch befeuert wurde, und suggerierte, dass jetzt jeder mit Hilfe natürlicher Sprache komplexe Programme schreiben kann, hat sich so nicht bestätigt und musste strukturierteren Ansätzen weichen, die informatisches Grundwissen und Problemlösungskompetenz voraussetzen (vgl. Hosbach 2026 zum _Spec-Driven Development_). Auch in Bezug auf die bildende Kunst scheint sich zu zeigen, dass Profis Laien überlegen sind, wenn es um die textbasierte Bilderstellung geht (Eisenmann et al. 2026). In Bezug auf die Musik wird es wohl ohnehin noch eine Weile dauern, bis Sprachmodelle die Arbeit professioneller Komponisten gefährden. Es gibt definitiv Szenarien, in denen Große Sprachmodelle digitale Arbeiten erleichtern können. Noch viel wichtiger als der Boom um All-Purpose-Chatbots, die vorgeben, alles zu können, am Ende aber vor allem viel Textgeschwurbel produzieren, sind aber gerade die Methoden und Tools im Bereich der Forschung zur KI, die sich nicht oder nicht ausschließlich auf menschliche Sprache stützen. Die menschliche Sprache ist faszinierend, dem stimme ich als überzeugter und leidenschaftlicher Sprachforscher auf jeden Fall zu. Ihre Fähigkeit wird aber viel zu oft unnötig überhöht. Nur wer seine eigenen Grenzen kennt, kann diese meistern lernen. Wenn wir die künstliche oder unsere eigene Intelligenz verbessern wollen, dann sollten wir uns nicht allein auf unsere menschlichen Sprachen verlassen. ## Literatur Eisenmann, Thomas F., Andres Karjus, Mar Canet Sola, Levin Brinkmann, Bramantyo Ibrahim Supriyatno, and Iyad Rahwan. 2026. “Expertise Elevates AI Usage: Experimental Evidence Comparing Laypeople and Professional Artists.” _International Journal of Human–Computer Interaction_ , 1–22. https://doi.org/10.1080/10447318.2026.2669041. Fröhlich, Marlen, Gerhard Jäger, and Asya Achimova. 2025. “Rethinking ambiguity across species.” _Neuroscience & Biobehavioral Reviews_ 179: 1–8. https://doi.org/10.1016/j.neubiorev.2025.106401. Hosbach, Wolf. 2026. “OpenSpec: Software von KI mit Spezifikationen entwickeln.” _Heise Online_ , July. https://www.heise.de/-11360349. Kahneman, Daniel. 2011. _Thinking, fast and slow_. Doubleday Canada: Toronto. List, Johann-Mattis. 2021. “Worüber man nicht reden kann…” _Von Wörtern Und Bäumen_ 5 (7). https://doi.org/10.58079/vbqz. Rubehn, Arne, Christoph Rzymski, Luca Ciucci, Kellen Parker van Dam, Alžběta Kučerová, Katja Bocklage, David Snee, Abishek Stephen, and Johann-Mattis List. 2025. “Annotating and Inferring Compositional Structures in Numeral Systems Across Languages.” In _Proceedings of the 7th Workshop on Research in Computational Linguistic Typology and Multilingual NLP (SIGTYP 2025)_ , 29–42. Stroudsberg: Association for Computational Linguistics. https://aclanthology.org/2025.sigtyp-1.4/. Scheuer, Stephan. 2026. “Warum Deutsch zur neuen Programmiersprache wird.” _Handelsblatt_. https://www.handelsblatt.com/100226695.html. Wolf, Maryanne, and Mirit Barzillai. 2009. “The importance of deep reading.” In _Challenging the whole child. Reflections on best practices in learning, teaching, and leadership_ , edited by Marge Scherer, 130–40. Alexandria: ASCD. * * * Nur der Text ist unter der Lizenz Creative Commons Namensnennung 4.0 International nutzbar. Alle anderen Elemente (Abbildungen, importierte Anhänge) sind „Alle Rechte vorbehalten“, sofern nicht anders angegeben. * * * OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren: Johann-Mattis List (15. Juli 2026). Sprachgrenzen. _Von Wörtern und Bäumen_. Abgerufen am 15. Juli 2026 von https://wub.hypotheses.org/3541 * * * * * * * *

Die Wissenschaft ist berühmt für das Zelebrieren des unorthodoxen, zügellosen und ungehemmten Denkens, welches so eckig und kantig und klobig ist, dass es in keine normale Schublade passt. Das Genie kommt im Gewand des Wahnsinns daher und schert sich nicht um Konventionen. Wer neu denken will, muss frei denken, und wer frei denken will, der muss sich auch dann von Konventionen lossagen, wenn das Denken gar nicht im Mittelpunkt steht. Leider wird dieses Bild des Wissenschaftlers als verschrobene Person, die Konventionen missachten _muss_ um Spitzenleistungen im Denken zu vollbringen, immer noch viel zu sehr von Öffentlichkeit und Wissenschaft selbst gepflegt. Ich kann Zooey in Salinger’s Roman _Franny und Zooey_ gut verstehen, wenn sie sich über ihren Professor aufregt, den sie im Verdacht hat, sich die weißen Haare absichtlich zu zerzausen, um den Eindruck eines unermüdlichen Denkers zu unterstreichen. > […] he’s just a terribly sad old self-satisfied phony with wild and woolly white hair. I think he goes into the men’s room and musses it up before he comes to class – I honestly do. (Salinger 1961, 126) Die sozialen Medien haben sogar zu einer Verstärkung des Genieglaubens beigetragen, indem sie es möglich machen, öffentliche Forschung von privaten Marotten flankieren zu lassen. So sind wir nicht mehr länger darauf angewiesen, _über_ Wissenschaftler zu lesen, wie sich diese privat verhalten, wir können nun in vielen Fällen direkt _von ihnen selbst_ erfahren, was sie Komisches essen, zu welchen Unzeiten sie schlafen, oder wie sie in ihrem Genie Artikel kritisieren, ohne sie gelesen zu haben (was leider viel zu häufig vorkommt). Die Folge ist ein Zerrbild wissenschaftlicher Forschung. Wissenschaft wird einerseits als Individualsport dargestellt, der von einzelnen Individuen angetrieben wird, die weitestgehend autonom agieren. Andererseits wird suggeriert, dass Wissenschaft in Schüben verläuft, in Form von Geistesblitzen, die sich zu bestimmten Zeiten entladen und der Menschheit neue Einblicke bescheren. Beide Aspekte – die Rolle des Individuums und die Rolle des Geistesblitzes – entsprechen jedoch kaum der Praxis, mit der Menschen an Universitäten und Forschungsinstituten weltweit Forschung betreiben. Ganz im Gegenteil. Die Wissenschaft, die wir betreiben ist heutzutage eben gerade nicht individuell, sondern in den meisten Fällen kollaborativ, und sie beruht auch nicht auf dem Geistesblitz, der das Genie in der Badewanne heimsucht, sondern auf dem systematischen Ansammeln von Analysen und Informationen, sowie dem geduldigen Testen verschiedenster kleinster Ideen. Das Bild vom wissenschaftlichen Genie, das von einem gelegentlichen Wahnsinn begleitet wird, stört mich nicht nur, weil es grundlegend falsch ist, es stört mich vor allem auch deshalb, weil es dazu führt, dass Forschung häufig mit problematischen Grundprämissen betrieben wird. Vor allem junge Forschende leiden darunter, wenn sie fälschlicherweise annehmen, dass von ihnen erwartet wird, innerhalb von vier Jahren Dissertation eine bahnbrechende neue Idee komplett eigenständig zu entwickeln. Dass wissenschaftliche Arbeit zum großen Teil auf Fleißarbeit beruht, auf dem akribischen Annotieren und Analysieren von Daten oder dem geduldigen Rezipieren von Texten, müssen viele erst mühsam lernen. Dass Wissenschaft eben nicht darin besteht, einsam vor sich hin zu wursteln, sondern in der Interaktion mit anderen Menschen neue Perspektiven zu gewinnen, die sich dann in gemeinsamen Arbeiten niederschlagen können, begreifen viele erst, wenn sie ihre erste kollaborative Publikation erfolgreich gemeistert haben, und sehen, wie viel ertragreicher und planbarer solche Ansätze sind. Die Wissenschaft fordert viel, aber was sie fordert, sind nicht kaum lesbar in Karton gekritzelte Geistesblitze, die die Nachwelt entschlüsseln muss, sondern transparent dokumentierte Arbeit, auf der andere nachhaltig aufbauen können. Ich sehen in der Kombination aus Individualismus und Genievertrauen eine Mischung, die schon vielen talentierten Menschen die Karriere in der Wissenschaft verwehrt hat. Ich habe es oft erlebt, wie Menschen beharrlich kaum etwas publizieren und sich bis zum Auslaufen ihres Vertrages an die Hoffnung klammern, der eine Geistesblitz würde irgendwann schon noch kommen und ihnen ihre wissenschaftliche Zukunft sichern. Angetrieben von der Hoffnung, dass eine einzige Idee genügt, um in der Wissenschaft Karriere zu machen, verbauen sich viele Menschen ihre beruflichen Chancen systematisch, nur um schließlich voller Frust als vermeintlich verkannte Genies aus der Forschung auszusteigen. Ich habe immer wieder mit Menschen zu tun, die diesen Irrweg gegangen sind und darunter leiden. Sie wenden sich mit vermeintlich genialen Ideen an mich und hoffen, dass ich es sei, der ihnen diese Genialität endlich attestieren werde. Mal wurde eine neue Sprachfamilie entdeckt, mal wurden alte Sprachen neu entziffert, mal wurden Muster in Daten gefunden, die kein Mensch zuvor gesehen hat, mal werden bahnbrechende neue Methoden etnwickelt, die das maschinelle Lernen revolutionieren können. Der Umgang mit solchen Anfragen fällt mir nicht leicht. Ich lasse Emails ungern unbeantwortet. Ich mag es auch nicht, Ideen sofort als Spinnerei abzutun, wenn sie abstrus erscheinen. Wer weiß, vielleicht bin ich ja einfach zu dumm, sie zu verstehen. Daher reagiere ich meist höflich und schlage Wege vor, wie die Ideen traditionell geprüft werden könnten. Diese Wege bestehen im Verfassen traditioneller Artikel, die dann an Zeitschriften zur Begutachtung versandt werden. Das kommt leider nicht immer gut an, wohl, weil keine Zurückhaltung, sondern ungezügelte Begeisterung von mir erwartet wird. Warum sich Menschen gerade an mich richten, ist mir dabei auch nicht richtig klar. Ich denke, dass manch einer im Internet auf meine Arbeit stößt und dann zur falschen Auffassung kommt, dass ich – im Gegensatz zu all den anderen Kleingeistern da draußen – endlich verstehe, um was es geht, und die Genialität zu würdigen weiß. Mir tun die Menschen leid, die diese Konflikte durchmachen müssen, und sich vielleicht bis zum Rest ihres Lebens als verkannte Genies fühlen. Ich kann mich selbst noch gut daran erinnern, wie nervös und verängstigt ich als junger Student war, der einerseits schon früh wusste, dass ihm Forschung gefällt, aber andererseits große Angst hatte, nicht in der Lage zu sein, geniale Ideen eigenständig zu entwickeln. Es hätte sicherlich geholfen, wenn man mir schon damals gesagt hätte, dass der Schlüssel zu guter Forschung eben gerade nicht darin liegt, alles daran zu setzen, den einen Weg zum Olymp zu finden. Denn den einen Weg zur Lösung eines Problems gibt es meist ja auch gar nicht. Manchmal besteht die Leistung ja überhaupt erst darin, die Probleme als solche zu identifizieren (vgl. List 2024). Manchmal besteht sie darin, herauszufinden, was _nicht_ funktioniert (vgl. Schooler 2011). Manchmal besteht sie – wie dies für meine Forschung vielleicht symptomatisch ist (vgl. List et al. 2022) – einfach darin, Daten so aufzubereiten, dass _andere_ darin etwas entdecken können. Ganz egal, wie man nun forschen mag, es braucht dazu so gut wie nie wirkliches Genie, vom Wahnsinn ganz zu schweigen. ## Literatur List, Johann-Mattis. 2024. “Open problems in computational historical linguistics [Version 2; Peer Review: 5 Approved].” _Open Research Europe_ 3 (201): 1–27. https://doi.org/10.12688/openreseurope.16804.2. List, Johann-Mattis, Robert Forkel, Simon J. Greenhill, Christoph Rzymski, Johannes Englisch, and Russell D. Gray. 2022. “Lexibank, a public repository of standardized wordlists with computed phonological and lexical features.” _Scientific Data_ 9 (316): 1–31. https://doi.org/10.1038/s41597-022-01432-0. Salinger, Jerome D. 1961. _Franny and Zooey_. Boston: Little, Brown. Schooler, Jonathan. 2011. “Unpublished results hide the decline effect.” _Nature_ 470 (7335): 437. https://doi.org/10.1038/470437a. Johann-Mattis List Seit Anfang 2023 leite ich den Lehrstuhl für Multilinguale Computerlinguistik in Passau. In meiner Forschung nehme ich generell einen datenbasierten,… Weiterlesen Alle Beiträge anzeigen * * * Nur der Text ist unter der Lizenz Creative Commons Namensnennung 4.0 International nutzbar. Alle anderen Elemente (Abbildungen, importierte Anhänge) sind „Alle Rechte vorbehalten“, sofern nicht anders angegeben. * * * OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren: Johann-Mattis List (23. Juni 2026). … und Wahnsinn. _Von Wörtern und Bäumen_. Abgerufen am 23. Juni 2026 von https://wub.hypotheses.org/3496 * * * * * * * *

This study presents a Croatian frequency-derived wordlist mapped to Concepticon concept sets, based on the most frequent nouns, verbs, and adjectives extracted from the hrWaC web corpus. The resulting dataset connects corpus-based Croatian vocabulary to Concepticon’s cross-linguistic framework and includes lexicalizations from nine additional languages for each mapped item. ## **1 Introduction** Standardized lexical datasets have become essential for systematic comparison across languages. Lexibank and Lexibank 2 (List et al. 2022; Blum et al. 2025) are just one of the resources that have made it possible to combine wordlists from diverse sources and connect them through shared identifiers. Concepticon (List et al. 2016, List et al. 2025) is another example that provides stable, language-independent concept set identifiers which allow diverse concept lists to be linked across languages and research traditions. Both Concepticon and the related NoRaRe database (Tjuka et al. 2023) have grown steadily, but language representation remains uneven. Many languages, including Croatian, are currently absent as mapped languages. Croatian is a South Slavic language with a strong linguistic tradition and several high-quality digital resources covering usage, frequency, and semantic structure within the language. For example, HR-CLARIN provides language resources and technologies intended to support research in the humanities and social sciences. On the other hand, Croatian Psycholinguistic Database (Peti-Stantić et al. 2021), provides detailed information about word properties including subjective frequency, age of acquisition, and concreteness for a large set of Croatian lemmas. These resources are useful for research within Croatian, but they are not linked to cross-linguistic infrastructures and do not use shared identifiers. This means that Croatian lexical data cannot easily be compared with data from other languages, or integrated into Concepticon or similar comparative frameworks. This contribution maps a corpus-derived Croatian frequency list to existing Concepticon concept sets. Instead of starting from a curated concept list, as is typical for Concepticon contributions, the starting point here is the most frequent Croatian word forms, asking which of them correspond to existing concept sets. The result is a dataset based on actual language use that is at the same time linked to Concepticon’s cross-linguistic framework. ## **2 Background** ### **2.1 Concepticon and NoRaRe** Concepticon is particularly well suited for this kind of work because it already provides a large, structured inventory of cross-linguistic concept sets that Croatian vocabulary can be mapped onto directly. Rather than building a new comparison framework, mapping Croatian to Concepticon connects it to an infrastructure that already links over 400 concept lists from 56 languages. Its limitations are also worth noting here. Concepticon is not a full formal ontology, as its semantic relations are designed for navigation and exploration rather than to encode strict semantic truths (Tjuka et al. 2023). For the present work, this means that mapping decisions do not need to resolve every ambiguity. The goal is a plausible, defensible link between a Croatian form and an existing concept set, not to make universal claims about meaning. Coverage is a more significant limitation: because Concepticon was built primarily from typological and historical lists, contemporary and domain-specific vocabulary is often absent from its concept inventory. This structural gap defines what the mapping can and cannot show, and is why the unmapped portion of the dataset is treated as a finding rather than a failure. NoRaRe (Tjuka et al. 2023) extends Concepticon with psycholinguistic and cognitive data, in the form of norms, ratings, and semantic relations drawn from published experimental studies. The two resources are linked through the Concepticon ID, meaning that any concept present in Concepticon can be associated with additional information from NoRaRe. Adding Croatian to Concepticon therefore also opens a pathway toward future integration with NoRaRe. ### **2.2 Frequency-Based Approaches and Learner-Oriented Motivation** Frequency lists derived from large corpora are widely used in vocabulary research and language teaching because they provide empirical evidence of which words speakers most commonly encounter in real texts (Kilgarriff 2010). A small number of high-frequency items typically covers a large proportion of running words in texts (Nation 2001), making frequency a reasonable starting point for vocabulary selection. For learners, though, a frequency list alone is not enough. It shows which words are common, but not how they relate to each other in meaning. Working with frequency-based approaches also reveals inherent limitations: while frequency lists record how often a form appears, they do not specify what it means in a given context. A single frequent form may have several distinct meanings, and without context there is no way to know which one is intended (Fulgosi and Tuđman Vuković 2001). Linking high-frequency items to concept sets helps with this by grouping synonyms and near-synonyms under a shared concept, making polysemy visible, and allowing multilingual comparison that goes beyond just translation pairs (Krišto 2026). Recent research has also argued that wordlist development has been dominated by English and a small set of well-resourced languages, and has called for broader, language-diverse approaches (Dang and Webb 2025). The Croatian frequency list presented here is a step in this direction. Within Croatian linguistics specifically, frequency-based and corpus-based resources exist but remain language-internal in their design. The Croatian web dictionary Mrežnik (Hudeček and Mihaljević 2019), for example, shows how corpus evidence can support curated lexicographic resources, but it is not designed for cross-linguistic concept alignment or interoperability with infrastructures such as Concepticon. ## **3 Materials and Methods** ### **3.1 Materials** The dataset was compiled from hrWaC (Croatian Web Corpus), a large collection of texts from Croatian web domains reflecting contemporary written usage on the internet (Ljubešić and Erjavec 2011), chosen because it is large, freely accessible, and covers a broad range of contemporary language. The 1,000 most frequent nouns, verbs, and adjectives were then extracted using Sketch Engine, giving an initial list of 3,000 items. These three word classes were chosen because Concepticon contains concept sets across all three categories, and working with only one would have left a large part of the available concept inventory unexplored. ### **3.2****Data Cleaning** After extraction, the raw wordlists were manually reviewed and cleaned. Several types of items were removed: proper names (such as people, cities, and nationalities), acronyms and administrative terms with no stable Concepticon equivalent, highly specific religious terms (such as names of holidays and religious figures), and items misclassified by the corpus tagger, such as verbs appearing on the adjective list. General terms such as _crkva_ “church” or _bog_ “god” were kept, while strongly culture- or institution-specific items were excluded. Native speaker intuition played an important role in this step, as it helped determine whether items were valid lexical entries suitable for later mapping. The cleaning reduced the dataset from 3,000 to 2,668 items: 981 verbs, 923 nouns, and 764 adjectives. ### **3.3 Translation into English** Translating the Croatian wordlists into English was a necessary step because Concepticon uses English as its meta-language for concept glosses, labels, and associated metadata. The translation combined online tools (Google Translate) with physical and digital dictionaries for cases where automated tools gave unclear results. All translations were manually checked by the author, a native Croatian speaker with advanced English proficiency, after which a second reviewer, a linguist with a degree in English, verified the translations for consistency and accuracy. Translation and mapping turned out not to be fully separable stages. In several cases, consulting Concepticon’s concept definitions led to changes in earlier translation choices, because the definitions made clear that a particular English gloss had a narrower or broader meaning than initially assumed. This kind of back-and-forth is difficult to avoid when working with a polysemous source language and a concept inventory built around specific meanings. ### **3.4 Automated Mapping with PyConcepticon** The mapping process combined automated methods with manual verification. As a first step, Python and the PyConcepticon library (Forkel et al. 2024) were used to generate initial candidate mappings. The tool takes English glosses as input and returns a single best-match Concepticon concept set per gloss. Because Concepticon concept sets are indexed via English labels, the quality of automated mapping depends directly on the quality of the translations produced in the previous step. The automated suggestions provided a useful starting point but required systematic correction. The tool does not perform sense disambiguation and therefore cannot resolve context-dependent meanings. Synonymy and polysemy also required attention: several Croatian words sometimes pointed to the same concept, and a single Croatian word could have more than one English translation, not all of which had a match in Concepticon. For these reasons, all automated mappings were manually reviewed. ### **3.5****Manual Mapping and Mapping Categories** Words that were not automatically matched, or whose automated suggestions seemed uncertain, were mapped manually. This relied on a combination of native speaker intuition, bilingual dictionaries, and, where possible, comparisons with Concepticon mappings in related languages. During the annotation process, items were organized in four working categories: automatically mapped and verified (PyConcepticon), manually mapped, uncertain (many of which were later resolved), and unmapped. These categories are not retained in the final dataset but were useful for managing the workflow, especially for difficult and borderline cases. All mappings were carried out using Concepticon Version 3.4.0. ### **3.6****Adding Frequency Information and Multilingual Equivalents** After the mapping stage, corpus frequency information was added to each item in the dataset using Sketch Engine’s built-in frequency tool. Each entry includes its absolute corpus frequency, its rank in the cleaned list, and the rank of its associated Concepticon concept set where applicable. This means that each mapping can be read alongside how frequently the word actually appears in contemporary Croatian. As a final step, lexicalizations from nine additional languages were added for each mapped item by consulting the corresponding Concepticon entries: Serbian, Hungarian, Czech, German, Italian, French, Spanish, Russian, and Ukrainian. These languages were selected because they are regionally relevant, because some are spoken as minority languages, and because they are the languages most commonly taught in Croatian schools (Kapović 2022). This gives the dataset a multilingual dimension that goes beyond Croatian-English glossing and makes it more useful for cross-linguistic comparison. ## **4 Analysis** ### **4.1 Mapping Coverage** Of the 2,668 items in the cleaned dataset, 1,262 (47.3%) were mapped to at least one Concepticon concept set, covering 856 unique concept set identifiers (Figure 1). In addition, 12 items were assigned two Concepticon IDs, so the dataset contains 1,274 total Concepticon assignments (mapping links). The remaining 1,406 items (52.7%) remained unmapped. Figure 1: Mapped and unmapped items by word class. Verbs show the highest mapping rate, adjectives the lowest. ### **4.2 Unmapped Items: Derivational Mismatches and Modern Vocabulary** The majority of unmapped items fall into two broad patterns. The first one involves derivational and part-of-speech mismatches. Many unmapped Croatian items are semantically close to an existing concept set but appear in a derived form (as relational adjectives, agent nouns, or nominalized verbs) that does not match the lexical category Concepticon most commonly represents. Relational adjectives are particularly frequent in this group: forms such as _ljubavni_ “love-related”, _školski_ “school-related”, and _vjers_ _ki_ “religious” are close in meaning to concept sets such as LOVE, SCHOOL, and RELIGION, but mapping them would mean collapsing the “related to X” meaning into the base noun concept, which was avoided in order to keep the mappings consistent and transparent. The second pattern concerns modern institutional vocabulary. A large number of unmapped items belongs to domains that are prominent in web-based language use but largely absent from Concepticon’s concept inventory: technology (e.g., web, online, portal), sports (e.g., football, fan, champion), politics and governance (e.g., politician, parliament, coalition), finance and money (e.g., paycheck, investment, budget), religion (e.g., believer, bishop, parish), and media and culture (e.g., art, history, cinematic). These clusters were identified through manual coding, grouping items by shared topic. This reflects a structural difference between the two resources: Concepticon was built primarily from lists motivated by typological and historical goals, where the focus is on stable, cross-culturally recurrent meanings, while a web corpus naturally surfaces vocabulary from contemporary public and institutional life. A smaller group of unmapped items points to a different kind of problem: not a mismatch in word class or domain, but a mismatch between a universal concept and a culturally specific meaning. For example, _dvojica_ „two male persons“ could not be mapped to TWO because Concepticon’s concept set does not encode the human and gender-specific restriction that is central to the Croatian form. These cases are small in number but illustrative: they show that some Croatian words carry cultural or grammatical specificity that sits outside what a language-independent concept inventory can currently represent. ### **4.3****Mapped Items: Many-to-One Clusters and Polysemy** Within the mapped subset, the most notable pattern is many-to-one mapping, where multiple Croatian forms linked to a single Concepticon concept set. This happens most often with near-synonyms, aspectual verb pairs, and prefix-derived verb variants. The concept set UNDERSTAND (ID 1536) attracted the largest cluster, with six Croatian forms: _kužiti, razumjeti, shvatiti, shvaćati, skužiti,__and_ _uvidjeti_. These forms share a conceptual core but differ in register, aspect, and usage context, which remain visible at the form level even though Concepticon groups them under one concept. Similar patterns appear with descriptive adjectives such as _velik, ogroman, golem,_ and _krupan_ all mapping to BIG (ID 1202), and with verb families such as _završiti, završavati,_ and _dovrš_ _iti_ all mapping to FINISH (ID 1766). Table 1 gives an overview of where this clustering is most pronounced. **Table 1.** Top 10 Concepticon concept sets by number of mapped Croatian forms, with Croatian variants listed. **Rank** | **Concepticon ID** | **Concept name** | **# Croatian forms** | **Croatian forms** ---|---|---|---|--- 1 | 1536 | UNDERSTAND | 6 | kužiti, razumjeti, shvatiti, shvaćati, skužiti, uvidjeti 2 | 3004 | FORMER | 6 | bivši, dosadašnji, nekadašnji, prethodan, prijašnji, tadašnji 3 | 7 | GATHER | 5 | okupiti, okupljati, prikupiti, prikupljati, skupiti 4 | 680 | BREAK (DESTROY OR GET DESTROYED) | 5 | probiti, puknuti, pući, razbiti, slomiti 5 | 692 | BRING | 5 | donijeti, donositi, dovesti, dovoditi, ponijeti 6 | 707 | REMEMBER | 5 | pamtiti, prisjetiti, sjetiti, sjećati, zapamtiti 7 | 1309 | ASK (INQUIRE) | 5 | pitati, upitati, zamoliti, zapitati, zatražiti 8 | 1529 | LAST (FINAL) | 5 | finalan, konačan, krajnji, posljednji, zadnji 9 | 1752 | LEAVE | 5 | odlaziti, ostaviti, ostavljati, otići, prepustiti 10 | 1778 | APPROACH | 5 | bližiti, približavati, pristupati, pristupiti, prići A small number of items, 12 in total, were assigned two Concepticon IDs rather than one, for different reasons. The clearest group consists of genuinely polysemous Croatian forms, where one word covers two conceptually distinct meanings. Several of these reflect well-known cross-linguistic patterns: _mjesec_ maps to both MONTH (ID 1370) and MOON (ID 1313), _jezik_ to both LANGUAGE (ID 1307) and TONGUE (ID 1205), and _zemlja_ to both COUNTRY (ID 1300) and EARTH/SOIL (ID 1228). A second group reflects Concepticon’s finer-grained sense inventory rather than polysemy in Croatian itself. _Dan_ , for example, was mapped to both DAY (NOT NIGHT) (ID 1225) and DAY (24 HOURS) (ID 1260) because Concepticon distinguishes two senses that a context-free lemma cannot. Similarly,_kraj_ and _završetak_ were linked to both END (OF SPACE) (ID 742) and END (OF TIME) (ID 743). In all these cases, allowing two mappings makes the ambiguity explicit rather than forcing a single interpretation that the data cannot support. ### **4.4 Multilingual Coverage** Of the 856 unique concept sets covered by the mapped Croatian items, 831 (97.1%) contain at least one lexical entry in the nine additional language columns. Coverage is however uneven: German is the best represented with forms for 748 concept sets, followed by Russian (722), French (705), and Spanish (647). Hungarian (515) and Italian (396) occupy a middle position, while Czech (82), Serbian (80), and Ukrainian (8) are sparsely represented. These differences reflect the number and scope of Concepticon lists available for each language rather than any absence of the concepts in those languages. For example, Ukrainian forms appear almost exclusively for colour terms, as the Ukrainian data in Concepticon derive primarily from a colour term study (Jonauskaite et al. 2020). ## **5 Conclusion and Outlook** This contribution mapped the 1,000 most frequent nouns, verbs, and adjectives from the hrWaC web corpus to existing Concepticon concept sets. After cleaning and translation, the final dataset contains 2,668 items, of which 1,262 (47.3%) were successfully mapped to 856 unique Concepticon concept set identifiers, with lexicalizations from nine additional languages. The mapping results show that Concepticon covers stable, cross-linguistically recurrent meanings well, but provides weaker coverage for morphologically derived forms and for vocabulary typical of contemporary web-based language use. The unmapped items are not a failure of the mapping process but a finding in their own right, as they identify specific conceptual areas where Concepticon’s current inventory diverges from everyday modern usage. Within the mapped subset, many-to-one mappings are common, and most mapped concepts are also represented in at least one additional language in Concepticon, which confirms that the Croatian items were primarily linked to well-established conceptual cores. Several limitations of the study are worth acknowledging. The dataset is based on a web corpus, so the frequency distribution reflects genres typical of online discourse, including news, public commentary, and informational texts. Also, spoken or informal vocabulary is likely underrepresented. The mapping relied on English as an intermediate language, which means that language-specific nuances may not always be fully captured by a single English gloss. The manual verification was also carried out by a single annotator, and the dataset would benefit from inter-annotator agreement checks on borderline cases in future work. As for future directions, the frequency-first workflow used here could be applied to other languages currently absent from Concepticon, enabling broader cross-linguistic comparison of frequency-concept alignment. Methodologically, distributional semantic methods such as word embeddings could support mapping decisions for polysemous and borderline cases where context is unavailable. The full methodology and extended analysis are documented in the underlying Master’s thesis (Krišto 2026), to which the reader is referred for further detail. ## **References** Blum, Frederic and Barrientos, Carlos and Englisch, Janina and Forkel, Robert and Greenhill, Simon and Rzymski, Christoph and List, Johann-Mattis (2025): Lexibank 2: pre-computed features for large-scale lexical data. Open Research Europe 5. 126. _https://do_ _i.org/10.12688/openreseurope.20216.2_ Dang, Thi Ngoc Yen and Webb, Stuart (2025): Applications of word lists in second language learning and teaching. Language Teaching 58. 1–21. Forkel, Robert and Rzymski, Christoph and List, Johann-Mattis (2024): PyConcepticon [Python library, Version 3.1.0]. Max Planck Institute for Evolutionary Anthropology: Leipzig. _https://pypi.org/project/pyconcepticon_ Fulgosi, Sanda and Tuđman Vuković, Nina (2001): Relevantnost frekvencije jezične uporabe pri opisu strukture leksema. Suvremena lingvistika 27. 73–85. Hudeček, Lana and Mihaljević, Milica (2019): Croatian web dictionary – Mrežnik vs. Croatian linguistic terminology – Jena. In: Proceedings of the 7th International Conference The Future of Information Sciences INFuture2019: Knowledge in the Digital Age. 22–31. _https://doi.org/10.17234/INFUTURE.2019.4_ Jonauskaite, Domicele and Parraga, C. Alejandro and Quiblier, Michael and Mohr, Christine (2020): Feeling blue or seeing red? Similar patterns of emotion associations with colour patches and colour terms. Perception 11. _https://doi.org/10.1177/2041669520902_ _484_ Kapović, Mate (2022): Strani jezici u formalnom obrazovanju u Hrvatskoj. Strani jezici 51. 283–309. Kilgarriff, Adam (2010): Comparable corpora within and across languages, word frequency lists and the KELLY project. Lexical Computing Ltd, Brighton. Krišto, Anja and Mambrini, Francesco (2026): Integrating Croatian into Concepticon: a corpus-based frequency mapping of Croatian vocabulary. Master’s thesis, Università Cattolica del Sacro Cuore, Milan. _https://doi.org/10.17613/p4fqh-03m92_ List, Johann-Mattis and Cysouw, Michael and Forkel, Robert (2016): Concepticon: A resource for the linking of concept lists. In: Proceedings of the Tenth International Conference on Language Resources and Evaluation (LREC 2016). 2393–2400. _https://aclanthol_ _ogy.org/L16-1379_ List, J.-M., A. Tjuka, F. Blum, A. Kučerová, C. Barrientos Ugarte, C. Rzymski, S. Greenhill, and R. Forkel (2025): CLLD Concepticon [Dataset, Version 3.4.0]. Max Planck Institute for Evolutionary Anthropology: Leipzig. _https://concepticon.clld.org_ List, Johann-Mattis and Forkel, Robert and Greenhill, Simon J. and Rzymski, Christoph and Englisch, Johannes and Gray, Russell D. (2022): Lexibank: A public repository of standardized wordlists with computed phonological and lexical features. Scientific Data 9. 44. _https://doi.org/10.1038/s41597-022-01432-0_ Ljubešić, Nikola and Erjavec, Tomaž (2011): hrWaC and slWaC: Compiling web corpora for Croatian and Slovene. In: Proceedings of the 14th International Conference on Text, Speech and Dialogue. 395–402. _https://doi.org/10.1007/978-3-642-23538-2_50_ Nation, I.S.P. (2001): Learning Vocabulary in Another Language. Cambridge University Press, Cambridge. Peti-Stantić, Anita and Anđel, Maja and Gnjidić, Vedrana and Keresteš, Gordana and Ljubešić, Nikola and Masnikosa, Irina and Tonković, Mia and Tušek, Jana and Willer-Gold, Jana and Stanojević, Mateusz-Milan (2021): The Croatian psycholinguistic database: Estimates for 6000 nouns, verbs, adjectives and adverbs. Behavior Research Methods 53. 1799–1816. _https://doi.org/10.3758/s13428-020-01533-x_ Tjuka, Annika and Forkel, Robert and List, Johann-Mattis (2023): Curating and extending data for language comparison in Concepticon and NoRaRe. Open Research Europe 2. 1–11. _https://doi.org/10.12688/openreseurope.15380.3_ **Cite this article as:** Krišto, Anja (2026): “Integrating Croatian into Concepticon: a Corpus-Based Frequency Mapping of Croatian Vocabulary” in _Computer-Assisted Language Comparison in Practice_ , 9.1: 55-64 [first published on 08/06/2026], URL: https://calc.hypotheses.org/9392, DOI: 10.15475/calcip.2026.1.6. **Download the article as PDF:** calcip-09-1-6.pdf **Copyright information** : This is an open access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited. Anja Krišto View all posts * * * The text only may be used under licence Creative Commons Attribution 4.0 International. All other elements (illustrations, imported files) are “All rights reserved”, unless otherwise stated. * * * OpenEdition suggests that you cite this post as follows: Anja Krišto (June 8, 2026). Integrating Croatian into Concepticon: a Corpus-Based Frequency Mapping of Croatian Vocabulary. _Computer-Assisted Language Comparison in Practice_. Retrieved June 8, 2026 from https://calc.hypotheses.org/9392 * * * * * * * *

Vor Kurzem habe ich ein Interview mit Stewart Brand gelesen (Klein, 2026), in dem dieser unter anderem auch von seinem Buch _Maintenance of Everything_ sprach, welches vor Kurzem erschienen ist (Brand, 2025). Das Buch befasst sich mit dem _Warten_ , oder genauer gesagt, der _Wartung von Dingen_ , die Brand als einen wichtigen Aspekt des Menschseins ansieht. > Maintenance, in this larger sense, has nothing optional about it. The necessity of maintenance doesn’t accumulate invisibly; it is understood as a given. When you take responsibility for something, you enter into a contract to take care of it. If it’s a child, to keep it fed. If it’s a knife, to keep it sharp (Brand, 2025, Kap. 1) Auch wenn ich selbst nicht sehr gut darin bin, Dinge zu reparieren, bin ich doch ein Fan davon. Vor allem, wenn die Dinge, die kaputt gehen, mich schon lange begleitet haben, trenne ich mich nur ungern von ihnen, und versuche es meist, zu vermeiden, sie durch etwas Neues zu ersetzen. Das kann sich auf bequeme Kleidung beziehen, auf Taschen, Portmonnees, oder auch Computer. Erst vor Kurzem habe ich bei meinem Thinkpad X280, welchen ich im August 2018 gekauft habe, erst den Akku und dann die Tastatur ausgewechselt. Es hat mich erstaunt, dass dies auch so gut geklappt hat. Jetzt kann ich darauf hoffen, dass mich dieser kleine handliche und leichte Computer mir noch weitere Jahre zu Hause und auf Reisen die Treue hält. Wenn es um das Reparieren oder Warten geht, ist es jedoch nicht nur wichtig, zu wissen, wie man etwas repariert, das kaputtgegangen ist. Man muss sich meist schon beim Erwerb der Dinge Gedanken machen, wie _wartbar_ sie eigentlich sind, wie gut man sie reparieren und pflegen kann. Es hat mich zum Beispiel geschockt, dass ein Macbook nach mehr als sieben Jahren nur noch genutzt werden kann, um darauf Linux zu installieren, weil die Software nicht mehr richtig läuft und keine Updates mehr zur Verfügung gestellt werden. Das Recht auf Reparatur, für das sich die Europäische Union jetzt endlich einsetzt – hoffentlich ohne dabei, wie in so vielen anderen Dingen, vor irgendwelchen Großkonzernen einzuknicken – war absolut überfällig, wenn es Wartbarkeit von Geräten auch nur begrenzt garantiert (Right to Repair, 2024). Die Reparierbarkeit betrifft aber nicht nur materielle Dinge, wir können sie auch in den immateriellen Dingen wiederfinden, welche unser Leben bestimmen oder unser berufliches Handeln bestimmen. Bei mir betrifft das zum Beispiel die Entwicklung von Ideen in der Wissenschaft, das Erstellen von Programmiercode, oder die Kuratierung von Forschungsdaten Wenn ich als Wissenschaftler Texte schreibe, dann ist es wichtig, sie so zu verfassen, dass ich sie selbst auch in ein paar Jahren noch verstehen kann. Nur so kann ich die Gedanken, die darin geäußert wurden, warten, prüfen, und schauen, ob ich weiterhin gut mit ihnen fahren kann. Auch in Bezug auf die Computerprogramme, die ich schreibe, um Daten zu analysieren, ist es wichtig, zu gewährleisten, dass sie noch in ein paar Jahren verstanden werden können. Denn nur so kann ich sie weiter entwickeln, ohne irgendwann von Null anfangen zu müssen. Nur so können auch andere darauf zugreifen und die Programme selbst weiter ausbauen, sie auf Fehler durchsuchen, oder sie eigenständig verbessern. Auch in Bezug auf die Daten, die ich in meiner täglichen Forschungsarbeit kuratiere ist es wichtig, diese gut zu warten. So muss ich darauf acht geben, dass mein persönliches Wissensnetzwerk, das ich erstelle, auch in Zukunft noch effizient durchsucht werden kann. Daher muss ich beim Taggen, Einsortieren, und Beurteilen von Daten und Literatur, immer auf eine saubere Annotation achten, um sicherzustellen, dass ich das, was ich in meine Wissensdatenbank eingebe, in Zukunft am Ende auch wiederfinden und in mein Schreiben und Programmieren einbauen kann. Ein wichtiger Aspekt der Kuratierung von Wissen ist die _Referenz_. Denn Wissen hat ja immer einen Ursprung, wir leiten es aus Artikeln oder Büchern ab, die wir gesehen haben, oder aus Gesprächen, die wir geführt haben. Mehr und mehr greifen wir dabei auch auf _Abkürzungen_ zurück. Zu Beginn einer Recherche schlagen wir erst mal eine Wikipediaseite auf, um uns einen Überblick über ein uns wenig bekanntes Thema zu verschaffen. Wer gern gründlich arbeitet, greift auch auf Fachwörterbücher oder Fachenzyklopädien zurück, oder durchsucht Bibliothekskataloge, um neuere Werke zu dem Thema zu identifizieren. Während Abkürzungen wie klassische Suchmaschinen oder Wikipedia bis vor einigen Jahren noch verpönt waren unter Wissenschaftlern, sind sie inzwischen einer der wichtigsten Ankerpunkte wissenschaftlicher Arbeit geworden. Eine Vielzahl von Recherchen, die ich führe, beginnen mit einer Suchmaschine und Wikipedia. Dort verschaffe ich mir einen ersten Überblick, suche, wenn ich das Thema verfolgen möchte, die Originalliteratur heraus, und versuche dann, mein Wissen mit Hilfe dieser Originalliteratur so gut wie möglich auszubauen, so dass ich im Idealfall mehr weiß, als was im Wikipediaartikel ursprünglich geboten wurde. Dieses Vorgehen ist wichtig, da die Wikipedia selbst oftmals sehr heterogene Quellen zusammenfasst, die häufig nicht einheitlich zitiert werden können und recht häufig auch selbst auf Werken beruhen, die sie nicht weiter zitieren. Wenn man sich zum Beispiel mit Pearson’s _Chi-Quadrat-Test_ beschäftigen möchte, dann sollte man die ursprüngliche Arbeit von Pearson (Pearson, 1900) dazu nicht blind aus Wikipedia zitieren, sondern sie im Idealfall auch im Original anschauen, um sicherzustellen, dass diese Arbeit wirklich den Chi-Quadrat-Test vorstellt. Wenn man sich stattdessen auf eine Einführung in die Statistik berufen möchte, da der Test so verbreitet ist, dass Pearsons ursprüngliche Arbeit selten von denen zitiert wird, die den Test anwenden, dann sollte man nicht auf die Wikipedia-Seite verweisen, sondern die Quellen konsultieren, die von Wikipedia zitiert werden. Denn die Wikipedia aggregiert ihr Wissen ja schließlich auch aus der Originalliteratur, häufig aus anderen Enzyklopädien, und die sollte man unmittelbar prüfen, um sicherzustellen, dass sie korrekt wiedergegeben wurden. Es stellt sich jedoch immer die Frage, bis zu welchem Zeitpunkt man zurückgehen soll, wenn man sein Wissen wartet. Wann tritt der Punkt ein, an dem ich mich einfach auf das verlasse, was mir ein Werkt bietet, ohne dass mich der Ehrgeiz packt, es weiter zu hinterfragen? Wann kann ich mich auf einem Stück Wissen ausruhen, ohne mich weiter auf die Suche nach der Quelle zu begeben, aus dem es gespeist wurde? Die Antwort darauf kann beträchtlich variieren, je nachdem, in welcher Situation man sich befindet, in welchem Fach man forscht, und wie zentral das Thema für eine bestimmte Arbeit ist. Klare Grenzen habe ich mir meist selbst gesetzt. Dazu gehört es, Wikipedia nicht explizit zu zitieren, sondern mir immer ein eigenes Bild zu machen, indem ich zu einem Thema – auch mit Hilfe von Wikipedia – unabhängige Literatur zu finden versuche. Diesen Anspruch habe ich auch an Studienarbeiten und weise Studierende meist explizit darauf hin, dass es in unserem Fach nicht ausreicht, eine Wikipedia-Seite als Referenz für bestimmtes Wissen zu zitieren. Das Vorgehen von Wissenschaft betreibenden ist dabei jedoch selten konsequent und fällt in der Praxis meist sehr unterschiedlich aus. Zitate und Verweise sekundär zu übernehmen, ohne sie im Original nachzuprüfen, ist leider sehr weit verbreitet, und scheint in vielen Wissenschaftsbereichen gar nicht kritisch gesehen zu werden (auch wenn Plagiatejäger diese Fälle meist stolz auflisten und kategorisieren). Zitate aus eigenen Werken Artikel um Artikel wiederzuverwerten ist auch weit verbreitet und wird selten als wissenschaftliches Fehlverhalten betrachtet, auch wenn es aus Perspektive der _Wartung_ von Wissensstrukturen fatal sein kann, da eine neue Auseinandersetzung mit den eigenen Äußerungen durch eine blinde Wiederverwertung ja kaum zustande kommen. Verweise auf scheinbar gesicherte Fakten, die keiner mehr nachprüfen muss, gibt es in nahezu allen Wissenschaftsbereichen. Es gibt jedoch erhebliche Unterschiede, was als gesichert und was als nicht gesichert angesehen werden muss. Während man es in vielen statistisch ausgerichteten Bereichen zum Beispiel kaum als wichtig ansehen wird, den Chi-Quadrat-Test zu zitieren, halte ich es in der Linguistik für sinnvoll, da man den Test dort nicht als Allgemeinwissen voraussetzen kann. Während ich die Lebensdaten von Personen meist blind von anderen Quellen übernehme, oft auch, ohne die Quellen selbst zu zitieren, gibt es sicher Kontexte und Forschungsbereiche, in denen das ein Fehlverhalten wäre. Ein weiterer Fall, der mir schwer missfällt, ist die unsägliche Praxis, graue Literatur zu zitieren, die nicht frei verfügbar ist. Da werden Handreichungen von berühmten Linguisten als _unpublizierte Materialien_ zitiert, die am Ende keine einsehen kann, außer dem erlauchten Kreis derer, die die Handreichung im Original oder hinter vorgehaltener Hand digital erhalten haben. Von einem Kontinuum zu sprechen, welches das Spektrum wissenschaftlichen Arbeitens abdeckt, das von ignoranter und bösartiger Übernahme bis hin zu penibelster Quellendokumentation reicht, wäre wohl zu viel des Guten. Aber wir haben es – was die Wartbarkeit unseres Wissens angeht – mit Abstufungen zu tun, welche dem Anspruch, eine vollständige Referenz bis zum Originalgedanken zu bilden, unterschiedlich gut gerecht werden und von Wissenschaftsbereich zu Wissenschaftsbereich mitunter beträchtlich variieren. Eine vollständige Referenzkette – wie sie Latour (auf den mich Alexander Werth aufmerksam gemacht hat) mit seiner _circulating reference_ (Latour, 1999, pp. 214–279) vorschwebt – gibt es wohl einfach nicht. Wie beim Warten und Reparieren von Gegenständen können wir es einander jedoch unterschiedlich schwer machen, die Referenzkette zu rekonstruieren. Eine Frage bleibt in diesem Zusammenhang leider noch: Was passiert, wenn wir einen Schritt weiter gehen und die Gedanken nicht einmal mehr selbst formulieren, sondern nur noch nachbessern, weil wir sie von einer _Sprachmaschine_ im Sinne von Simanowski (2025) haben vorgenerieren lassen? Wie wartbar sind diese Gedanken eigentlich? Wie gut können wir auf ihnen aufbauen, sie ausbessern, sie weiterverwerten? Genügt es, wenn wir sie genauso wie die Wikipediaquellen behandeln und alles rigoros nachprüfen, was uns die Bots vorgenerieren? Die großartige von Menschen gemachte Enzyklopädie ordnet Wissen für uns ein, wir bereiten in der Wissenschaft auf. Was aber macht die Maschine, die das Internet leergesaugt hat und sich aus allen Äußerungen speist, die Menschen jemals im Netz gemacht haben? Aber wenn wir dies weniger und weniger tun, wie gut können wir dann unsere Gedanken mit zeitlichem Abstand einordnen, verstehen, und zu ihnen stehen, oder sie kritisch prüfen? Ich weiß es leider einfach nicht. Genauso wie jemand basierend auf Wikipedia gute und neue Ideen entwickeln kann, bei denen ein Chi-Quadrat-Test zum Einsatz kommt, ohne jemals die Referenzkette bis zu Pearson oder sogar über ihn hinaus vollendet zu haben, kann es sein, dass jemand Sprache von einem Sprachmodell generieren lässt und daraus neue Methoden oder Verfahren entwickelt, die unser Wissen über die Welt entscheidend erweitern. Wissenschaft ist aber trotz ihrer Betonung des Genies niemals ein Einzelsport. Wir bauen immer auf den Gedanken anderer auf, spinnen sie fort, teilen sie, damit sie fortgesponnen werden können. Es kann daher auch sein, dass der von Gerlach & Lange (2026) in Bezug auf das Wissen von Betrieben befürchtete Effekt auch global in unseren gesellschaftlichen Wissenssystemen eintritt und dazu führt, dass wir unsere Erkenntnisse am Ende nicht mehr warten können. Mit dem Warten von Wissen und Erkenntnissen ist es am Ende genauso wie mit der Wartung von öffentlichen Gegenständen: Wenn wir sie nicht pflegen, bleiben verwüstete, vermüllte Landschaften zurück, in denen sich keiner mehr aufhalten möchte. ## Literatur Brand, S. (2025). _Maintenance: Of everything. Part one_. Stripe Press. Gerlach, J. P., & Lange, D. (2026). Fading Memories: The Role of Machine Learning in Organizational Knowledge Depreciation. _Academy of Management Review_[published online before print]. https://doi.org/10.5465/amr.2024.0408 Klein, E. (2026). A dose of wisdom from Silicon Valley’s favorite prophet. _New York Times_ , _175_(4). https://www.nytimes.com/2026/04/24/opinion/ezra-klein-podcast-stewart-brand.html Latour, B. (1999). _Pandora’s hope. Essays on the reality of science studies_. Harvard University Press. Pearson, K. (1900). On the criterion that a given system of deviations from the probable in the case of a correlated system of variables is such that it can be reasonably supposed to have arisen from random sampling. _The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science_ , _50_(302), 157–175. https://doi.org/10.1080/14786440009463897 Right to Repair Europe (2024). _The current state of Right to Repair in the EU_. Right to Repair Europe. https://repair.eu/wp-content/uploads/2024/10/Current-State-of-EU-Right-to-Repair_v3_2.pdf Simanowski, R. (2025). _Sprachmaschinen. Eine Philosophie der künstlichen Intelligenz_. C. H. Beck. * * * Nur der Text ist unter der Lizenz Creative Commons Namensnennung 4.0 International nutzbar. Alle anderen Elemente (Abbildungen, importierte Anhänge) sind „Alle Rechte vorbehalten“, sofern nicht anders angegeben. * * * OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren: Johann-Mattis List (20. Mai 2026). Vom Warten. _Von Wörtern und Bäumen_. Abgerufen am 20. Mai 2026 von https://wub.hypotheses.org/3450 * * * * * * * *

This tutorial shows how to build beautiful maps using polygon data of language distributions and the geospatial software QGIS. For this purpose, I show in the first part how to extract a list of Glottocodes from CLDF datasets and how to use command-line tools to extract the polygon data from Glottography datasets. The second part focuses on the visualization of the extracted data with QGIS. In this part, I also show to include non-linguistic data like archaeological sites and how to prepare the map for printing. The tutorial is fully implemented with free and open software and intends to make map-making accessible for linguists and other researchers. ## 1. Introduction A common representation of languages in quantitative studies is through the use of point coordinates in maps and statistical models. Since languages are distributed across areas, this critique certainly has a point. If some random mean of location is chosen for languages which are distributed across vast areas, two languages appear far further away from each other than they actually are. On the other hand, it is unclear how to model such distances, since only speakers at borders or overlapping areas are actually in contact, and the speakers in the mean locations or the far extremes are not. An example of such a discussion can be observed in the reviews and answers to the reviewers in (Guzmán Naranjo & Jäger 2024). Regarding the presentation of languages in maps, the answer to the critique is often “but we don’t have any other data”, especially in large quantitative studies with a worldwide sample. Alas, after the publications of multiple polygon datasets of the Glottography project (Ranacher et al. 2025, 2026), this is no longer true (if it ever was). The project published multiple datasets of existing publications like the “World Atlas of Languages” (Asher & Moseley 2018). In contrast to other collections of language distributions like Ethnologue, the Glottography data comes as open-access repositories and is not behind a paywall. In its current form, the project already covers more than 5,300 languages from 29 different publications and is likely to increase in coverage in the future. The presentation of the data using the Cross-Linguistic Data Formats (CLDF, Forkel et al. 2018) supports good integration with other existing datasets in CLDF like Lexibank (Blum et al. 2025) or Grambank (Skirgård et al. 2023). It is part of this tutorial to show how this integration can be leveraged through the command-line interface and SQLite queries. The first question I asked myself as someone who has a map in almost all his articles was: “How can I make nice maps with such polygons”? While there are some online-tools which provide quick maps, I was not satisfied by this solution because of the lack of control, difficulties in reproduction, and unclear long-term reliability that these tools provide. For comparative purposes, I will briefly present one of those tools later on. While those online tools offer quick solutions and are easily accessible, QGIS offers a broad variety of customization for maps that provide complex representations of multiple data types. Especially when it comes to important publications, such maps can make the difference in how (re)viewers perceive the quality of the work and provide a more realistic representation of the distribution of languages across the world. This contribution thus seeks to provide a short tutorial on (a) how to extract the data for a set of languages, (b) to import the data to different visualization tools, and (c) how to make a beautiful map of language distributions using QGIS. ## 2. Software Requirements We will be using QGIS (v4.0.1, Dawson et al. 2026), which is an open-source software for spatial visualization (https://qgis.org/download/). It is a very powerful tool, of which we will only make use of a small amount of its features. You can install the application from the link above on all common operating systems. The tutorial requires a basic setup that involves a functional installation of Python 3 (>3.10) and GIT (https://git-scm.com/). With Linux and MacOS systems, this is straightforward and will not be covered here. For the usage with Windows, I recommend to have a look at the corresponding tutorial (Snee 2024). We also recommend the installation of SQLite (https://sqlite.org/). For the initial data processing, we will be running Python from the command line. Here, we recommend using a virtual environment. On MacOS, you can set up one such environment with the following commands: # Create an environment within the folder venv/ python3 -m venv venv/your-virtual-environment-1 # Activate the environment source venv/your-virtual-environment-1/bin/activate Now, we will be installing a couple of packages that we need to run the code using the Python package managing tool `pip`: pip install pycldf pip install csvkit pip install cldfgeojson We will also use multiple datasets that are curated on GitHub, which you can clone directly via `git` on the command-line: git clone https://github.com/Glottography/asher2007world git clone https://github.com/Glottography/queixalos2000linguas git clone https://github.com/pano-takanan-history/blumpanotacana All the code code and data that are used for this tutorial are curated on Codeberg, which you can also clone in the same way: git clone https://codeberg.org/calc/tutorial-visualizing-polygons ## 3. Extracting the Polygon Data In this part, I will briefly explain how to extract the polygons for (1) languages from existing CLDF datasets and (2) how to extract a set of glottocodes directly from Glottolog, either through an explicit list or based on language-families. Both tasks are fundamentally the same: We extract a list of Glottocodes from a dataset and then extract the corresponding polygons from Glottography repositories. ### 3.1 Extracting Polygons from Wordlist Collections For retrieving the polygon data from Glottography datasets such as the “Atlas of the World’s Languages” (https://github.com/Glottography/asher2007world, Asher & Moseley 2018), we need a CSV-file with a column for Glottocodes. Such a file representing the LanguageTable of CLDF is standard in all datasets of Lexibank and I will exemplify this with the `blumpanotacana` dataset (Blum et al. 2024a) which we have cloned above. The command to extract the polygon data proceeds in four steps: (1) Identify the Glottocodes in the input file, (2) Remove the header, (3) Extract the polygons of a Glottography dataset based on the provided set of Glottocodes, and (4) Save the file in `.geojson` format. csvcut -c Glottocode blumpanotacana/cldf/languages.csv | \ csvformat -E | \ cldfbench geojson.geojson --no-glottolog queixalos2000linguas/cldf - \ > data/bpt_polygons.geojson One quick way of visualizing the output is to upload the content of this file to https://geojson.io/next/, which provides a basic map using an OpenStreetMap background and some basic customization options. This is great for a quick view on the extracted data, but not sufficient for most publications. I show an example of this in Figure~1. Figure 1: Map of languages in the blumpanotacana dataset uploaded to the website for easy visualization. The visualization was automatically created by drag&drop of a .geojson file. ### 3.2 Querying Glottolog for a List of Glottocodes Another option is to extract Glottocodes for specific languages or language families directly from Glottolog using an SQLite query. For example, I was approached by a researcher who approached me about a map of Arawak, Carib, and Tupi languages across the Amazon. Since the point coordinates hide much of the true extension of the families, I recommended going for polygons instead, making use of the newly published datasets. To extract data from Glottolog (v5.3, Hammarström et al. 2026), we clone the data and create an SQLite database. This step presupposes you have `sqlite3` installed to be used on the command line. The usage of SQLite queries with large datasets like Glottolog or Lexibank has proven worthwhile because it is a lot quicker than iterating through a CSV or TSV file. It also allows performing data preprocessing tasks during the data extraction (Blum et al. 2024b). Through `pycldf`, we first create an SQLite database of Glottolog and then open it via `sqlite3` to run the query. # Clone dataset git clone https://github.com/glottolog/glottolog-cldf # Create SQLite database cldf createdb glottolog-cldf/cldf/cldf-metadata.json glottolog.sqlite3 # Open database sqlite3 glottolog.sqlite3 You should be prompted within a sqlite3 console now: INFO <cldf:v1.0:StructureDataset at glottolog-cldf/cldf> loaded in glottolog.sqlite3 SQLite version 3.51.0 2025-06-12 13:14:41 Enter ".help" for usage hints. sqlite> In the next step, we build a short SQLite query to retrieve the languages of our choice from Glottolog. In this case, we want to include language families from the Arawak, Carib, and Tupi language families. For the purpose of illustration, I have also added two language isolates to show how we can add individual glottocodes from languages to the query. Within the sqlite3 console, we first choose settings so that the results of the query are stored as CSV with headers. .mode csv .headers on .output data/glottocodes.csv Then, we are ready to run a query to extract a CSV-file from three different languages families by providing the family-level glottocode. This extracts all Glottocodes of languages that belong to the respective family. Alternatively, we can also select language-level Glottocodes. You can also extract other columns of tables that are part of Glottolog, like language family, point coordinates, or others, that are then also stored to the output CSV-file. This saving of the list is done in the last line of the console prompt. SELECT l.cldf_id AS Glottocode, -- Example for additional columns l.Family_ID FROM LanguageTable AS l WHERE -- List of language-family glottocodes l.Family_ID IN ('araw1281', 'cari1283', 'tupi1275') OR -- List of language-level glottocodes l.cldf_glottocode IN ('taus1253', 'muni1258') ; .output stdout After extracting our list of desired Glottocodes, we can use this CSV (more than 400 entries!) to query the Glottography repository to extract all available polygon data for the languages in the list. This time, we will be using the “As línguas amazônicas hoje” dataset (Queixalos & Renault-Lescure 2000), which is focused on languages in the Amazon. The command is similar to the one from above, only using different input, output, and geojson file names. csvcut -c Glottocode polygons.csv | \ csvformat -E | \ cldfbench geojson.geojson --no-glottolog asher2007world/cldf/traditional - \ > data/amazon_polygons.geojson If we only want data from a specific language family, we can also use a prompt that is based on `csvkit`, which we have installed previously. This is a bit slower than the SQLite query, but if we are only interested in a single family, this can be a reasonable alternative. csvgrep -c Parameter_ID -r "^classification$" \ glottolog-cldf/cldf/values.csv | \ csvgrep -c Value -m cari1283 | \ csvcut -c Language_ID | \ csvformat -E | \ cldfbench geojson.geojson --no-glottolog asher2007world/cldf/traditional - \ > data/carib_polygons.geojson Until now, I have shown different ways of extracting geojson data from Glottography projects, using either data from a single CLDF dataset, or extracting data for language families directly from Glottolog. Now we are ready to turn to the visualization of the extracted data. ## 4. Using GIS for Visualizing Language Polygons ### 4.1 Setting up QGIS We will be using GIS for the map making, which stands for “geographic information system”. This acronym refers to systems that allow the editing of geospatial data. For this tutorial, I have used the OpenSource application QGIS (v4.0.1). Some configurations might look slightly different in older versions, but the basic functionality is the same. When opening the application, you can choose between a blank template or an OpenSteetMap Basemap. We choose the latter. You can also add map data from other resources (e.g. https://www.tracestrack.com), but this will not be covered as part of the tutorial. ### 4.2 Loading the Data Within a QGIS project, you have several toolbars. We will only use a small amount of functions for the moment. I will visualize the basic tools for our purpose using the `amazon_polygons.geojson` file with the data from Arawak, Carib, and Tupi languages. In the very first step, you can simply drag&drop the geojson-file of your choice to QGIS. You should now already see the distributions of those languages on the map after the drag&drop operation. ### 4.3 Basic Visualization Tools The first customization is to colour the distributions according to language family. To do this, we double-click the layer-name in the bottom left pane to open the layer properties. Here, we select “Symbology” to change the representation of each polygon. At the top, currently “Single Symbol” is chosen by default. We change this to “Categorized” and select “family” as “Value”. A click on “Classify” at the bottom created a random colour ramp based on the different values on the “family” variable on the input data. This setting changes the fill-colour of all polygons. The three steps are shown in Figure 2. Figure 2: Distribution of Arawak, Carib, and Tupi languages across the Amazon as visualized in QGIS. The application interface shows how the fill-colour for each language family can be customized. ### 4.4 Bonus: Adding Archaeological Sites in QGIS QGIS begins to excel once we combine different data types. For example, we can add data for archaeological sites that come in TSV or CSV-files. For this purpose, I have created a CSV-file from the archaeological sites published in the article “Archaeological expansions in tropical South America during the late Holocene: Assessing the role of demic diffusion” (Gregorio de Souza, Alcaina Mateos & Marco 2020) which originally came in ODS-Format (https://pmc.ncbi.nlm.nih.gov/articles/instance/7185720/bin/pone.0232367.s001.ods). The CSV-file could be made part of the tutorial repository, since the data is thankfully published under a CC-license. To include this file, add a new layer in QGIS and import this file by selecting “Layer > Add Layer > Add Delimited Text Layer”. Here, you browse through your file-system to choose the input file and select the correct encoding. In the next step, you have to select the Longitude (X) and Latitude (Y) columns and choose a Geometry system (CRS). Now, you have a second layer with the archaeological sites and can again choose a colouring system of your choice, as well as other customizations like opacity, size, and stroke for a symbol of your choice. To give just one example, you could use different SVG markers for sites related to different archaeological traditions. It is also possible to import custom SVG’s. The import of the CSV file is illustrated in Figure~3. Figure 3: Importing CSV data within QGIS. It is important to set the Geometry Definition for coordinates and the CRS (coordinate reference system). ### 4.5 Print Layout The final task is a print layout. Doing this for a first time, it seemed a bit unintuitive and unnecessarily complex to me. But soon I realized that QGIS is worth it, since it actually offers you a lot of layout options that make it easy to include a map cutout and a legend to the final version of your map. Also, the richness of customization options opens up many possibilities of building high-quality maps. To begin with this process, either select “Cmd + P”, or select “Project > New Print Layout” from the main toolbar. This opens a second window, which will be your print layout. First, we select “Add Map” from the symbols at the left and drag across the whole layout page to include our main map. The map gets added exactly as you see it in your map interface. Second, we select “Add Legend”, and again drag the area in the layout where we want to put the legend. The legend automatically accesses our selected symbology (shape, colour) for the respective layers of language families and archaeological sites. Now, we already have map and legend ready for print. Great! Towards the right, you find a lot of customization options for all added items. For the legend, we want to change the names of the layers to something more insightful. For this, we first change to “Manual” under “Legend Items” and select new names for each legend to “Archaeological Traditions” and “Language Families”. You can also customize background, frames, and all other kinds of data that is shown. This allows you to change the text and icons of all the symbology visualized in the legend. In a final step, we want to add a bigger map as a cutout in a top corner. For this, we first need to select the Map 1 from the items panel and lock the layers, so that they don’t get changed when we change the original map. Then, we switch back to said main map, deactivate the language and archaeology layers by unticking the box before their name and zoom out to the desired view of the world. We can now return to the Print Layout and add a second map. Again we can select the area where we want to include the map, for which I chose the top right corner. Through selecting “Add Shape” in the left item panel we can add a rectangle that indicates the area of our map we have visualized. Simply drag the rectangle above your little world map and move it to the corresponding area. There is probably also some automated way of referencing the extent of the cut-out map of which I am not currently aware. But considering the offered complexity of QGIS, I’d be very surprised if this was not the case. The final map now has the original language distributions, the archaeological sites, a legend, and a world-map in the top corner. Through “Cmd + P” or by clicking the “Export PDF” symbol in the toolbar, you can now export a PDF file of your print layout for dissemination and publishing. The options for the print layout are shown in Figure 4. Figure 4: Final print layout including the main map, a legend, and a world-map indicating the extent of the selected map. Such visualizations can help us to build hypotheses about historical expansions of language and culture, putting linguistic data into spatial context. In the case of the three Amazonian language families, we see interesting overlaps of the distribution of language families and different archaeological traditions. These links have been proposed in the archaeological literature and often rely on such spatial overlays of linguistic and archaeological distributions (Iriarte 2024). Other possibilities involve topographic maps, which put more emphasis into geological information such as mountains and rivers and could be used to reference possible migration or contact routes. To understand the spatial element behind such distributions is the necessary first step for a more sophisticated modelling of space. ## 5. Conclusion This tutorial provided an introduction to annotating language distributions with QGIS and showed how to combine different kinds of input data. The toolset offered by QGIS seems complex at first, but offers a wide variety of customization options that make it possible to create high-quality maps. The visualization of languages as polygons provides a more realistic account of the distribution of language families and can lead to a better understanding of contact, expansion, and diversification. The polygon data is also the necessary first step for incorporating language distributions in spatial models for computational analysis, potentially linking up the analysis with other kinds of geospatial data like rivers or mountains. Again, QGIS can be a valuable tool for the visualization of such information. ## Acknowledgements Special thanks to Robert Forkel, who provided much of the code of the command-line applications and to Antonia Lieschke, who answered all my QGIS questions. ## References Asher, R. E. & Christopher Moseley. 2018. _Atlas of the world’s languages_. 2nd edn. London: Routledge. https://doi.org/10.4324/9781315829845. Blum, Frederic, Carlos Barrientos, Johannes Englisch, Robert Forkel, Simon J. Greenhill, Christoph Rzymski & Johann-Mattis List. 2025. Lexibank 2: Pre-computed features for large-scale lexical data. _Open Re_ _search Europe_ 5(126). 1–27. https://doi.org/10.12688/openreseurope.20216.2. Blum, Frederic, Carlos Barrientos, Roberto Zariquiey & Johann-Mattis List. 2024a. A comparative wordlist for investigating distant relations among languages in Lowland South America. _Scientific Data_ 11(1). https://doi.org/10.1038/s41597-024-02928-7. Blum, Frederic, Ludger Paschen, Robert Forkel, Susanne Fuchs & Frank Seifart. 2024b. Consonant lengthening marks the beginning of words across a diverse sample of languages. _Nature Human Behaviour_ 8. 2127–2138. https://doi.org/10.1038/s41562-024-01988-4. Nyall Dawson, Jürgen Fischer, Matthias Kuhn, Alessandro Pasotti, Denis Rouzaud, mhugent, Alexander Bruy, et al. 2026. qgis/QGIS: 4.0.1. Zenodo. https://doi.org/10.5281/zenodo.19401447. Forkel, Robert, Johann-Mattis List, Simon J. Greenhill, Christoph Rzymski, Sebastian Bank, Michael Cysouw, Harald Hammarström, Martin Haspelmath, Gereon A. Kaiping & Russell D. Gray. 2018. Cross-Linguistic Data Formats, advancing data sharing and re-use in comparative linguistics. _Scientific Data_ 5(1). 1–10. https://doi.org/10.1038/sdata.2018.205. Gregorio de Souza, Jonas, Jonas Alcaina Mateos & Madella Marco. 2020. Archaeological expansions in tropical South America during the late Holocene: Assessing the role of demic diffusion. _PLOS ONE_ 15(4). 1–32. https://doi.org/10.1371/journal.pone.0232367. Guzmán Naranjo, Matías & Gerhard Jäger. 2024. Euclide, the crow, the wolf and the pedestrian: Distance metrics for linguistic typology. _Open Research Europe_ 3(104). 1–32. https://doi.org/10.12688/openreseurope.16141.2. Hammarström, Harald, Robert Forkel, Martin Haspelmath & Sebastian Bank. 2026. _Glottolog database (v5.3)_. Leipzig: Max Planck Institute for Evolutionary Anthropology. https://doi.org/10.5281/zenodo.18840935. Iriarte, José. 2024. _The archaeology of Amazonia: A human history_. London: Bloomsbury Academic. https://doi.org/10.5040/9781350270770. Queixalos, Francisco & Odile Renault-Lescure. 2000. _As línguas amazônicas hoje_. São Paulo: IRD/Instituto Socioambiental/MPEG. http://www.cartographie.ird.fr/linguas2.html. Ranacher, Peter, Robert Forkel, Nour Efrat-Kowalsky, Matthias Urban, Antonia Hehli, Micha Franz, Gregory Biland, et al. 2025. A global and interoperable dataset of linguistic distributions derived from the Atlas of the World’s Languages. _Scientific Data_ 12(1466). 1–10. https://doi.org/10.1038/s41597-025-05828-6. Ranacher, Peter, Robert Forkel, Nour Efrat-Kowalsky, Matthias Urban, Antonia Hehli, Micha Franz, Gregory Biland, et al. 2026. Glottography: An Open-Source Geolinguistic Data Platform for Mapping the World’s Languages. Journal of Open Humanities Data 12(47). 1–16. https://doi.org/10.5334/johd.459. Skirgård, Hedvig, Hannah J. Haynie, Damián E. Blasi, Harald Hammarström, Jeremy Collins, Jay J. Latarche, Jakob Lesage, et al. 2023. Grambank reveals the importance of genealogical constraints on linguistic diversity and highlights the impact of language loss. _Science Advances_ 9(16). 1–15. https://doi.org/10.1126/sciadv.adg6175. Snee, David. 2024. Using CLDFBench and PyLexibank on Windows. University of Passau 7(2). 103–109. https://doi.org/10.15475/CALCIP.2024.2.6. **Cite this article as:** Blum Frederic (2026): “Visualizing Language Polygons with (Q)GIS” in _Computer-Assisted Language Comparison in Practice_ , 9.1: 41-53 [first published on 04/05/2026], URL: https://calc.hypotheses.org/9287, DOI: 10.15475/calcip.2026.1.5. **Download the article as PDF:** calcip-09-1-5.pdf **Copyright information** : This is an open access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited. **Funding Information** : This project has received funding from the Max Planck Society. The funders had no role in study design, data collection and analysis, decision to publish, or preparation of the manuscript. * * * The text only may be used under licence Creative Commons Attribution 4.0 International. All other elements (illustrations, imported files) are “All rights reserved”, unless otherwise stated. * * * OpenEdition suggests that you cite this post as follows: Frederic Blum (May 4, 2026). How To Visualize Language Polygons with QGIS (How to Do X in Linguistics 15). _Computer-Assisted Language Comparison in Practice_. Retrieved May 4, 2026 from https://calc.hypotheses.org/9287 * * * * * * * *

## 1 Ausgangssituation Die universitäre Lehre, wie ich sie bisher erlebt habe, widerspricht den Grundprinzipien der offenen Forschung in vielerlei Hinsicht. Während das Ziel der offenen Forschung darin besteht, die Quellen des eigenen Wissens transparent so mit anderen Menschen zu teilen, dass diese auf den neuen Erkenntnissen unmittelbar aufbauen, oder diese widerlegen können, ist die universitäre Lehre, die ich in über 20 Jahren als Student und Dozent erlebt habe, weitestgehend geschlossen. Während freier Zugang zu Ressourcen, Transparenz der Wissensbeschreibung und Kollaboration unter Wissenschaft betreibenden Menschen die Säulen offener Forschung darstellen, sucht man dergleichen vergebens in der universitären Lehre. Kursinhalte sind hier meist geschlossen und nur denen, die an den Kursen teilnehmen zugänglich. Kaum jemand denkt daran, die Skripte der eigenen Vorlesungen oder die Literaturempfehlungen, Übungsaufgaben und Semesterpläne so zu teilen, dass andere in ihrer eigenen Lehre darauf aufbauen könnten. Kollaboration unter denen, die ähnliche Themen unterrichten, findet auch nur in den seltensten Fällen statt. Während selbst in den Geisteswissenschaften die Anzahl von Mehr-Autor-Artikeln beständig zunimmt und Kollaboration mehr und mehr zum guten Ton gehört, wurschteln die meisten Dozentinnen und Dozenten nach wie vor allein vor sich hin. Wer anfängt, Kurse an der Universität zu unterrichten, ist daher weitestgehend auf sich allein gestellt. Da es keine offenen Materialien gibt, an denen man sich orientieren könnte, müssen Kursinhalte meist komplett neu erstellt werden. Dies führt nicht nur zu einem großen Verlust an Synergien, den sich die Universitäten in Zeiten knapper Kassen und chronischen Mangels an Personal eigentlich gar nicht leisten können, es führt auch zu einem Mangel an Qualität, da ein kollektives Testen, Modifizieren und Korrigieren von Lehreinheiten verhindert wird. Dazu kommt erschwerend hinzu, dass – zumindest in den Geisteswissenschaften – viele Studiengänge nach wie vor als ein Flickenteppich geplant werden, zu dem jeder Lehrstuhl ein Stückchen Stoff beitragen darf, ohne das dabei hinterfragt würde, ob sich dieser Stoffbeitrag mit dem allgemeinen Design des Teppichs verträgt. Während die universitäre Forschung inzwischen glücklicherweise immer offener wird, ist die universitäre nach wie vor davon geprägt, dass Lehrinhalte wie ein Master-Passwort unter Verschluss gehalten und mit niemandem geteilt werden. Dabei gäbe es eigentlich sehr viel für alle zu gewinnen, wenn die universitäre Lehre sich mehr an Prinzipien der Offenheit orientieren würde. Wer ein Kursthema zum ersten Mal unterrichten muss, könnte sich dann an den frei veröffentlichten Materialien von Kolleginnen und Kollegen orientieren, diese modifizieren und neu gestalten, und auch deren Urheberschaft würdigen. Kurse könnten basierend auf freien Materialien im Wechsel von unterschiedlichen Personen unterrichtet werden, die sich darüber hinaus über ihre Erfahrungen im Unterrichten der Inhalte austauschen könnten. Wer an den Kursen teilnimmt, könnte die Materialien schließlich weit über die Klausur oder Hausarbeit hinaus nutzen und aktiv zitieren. ## 2 ORE ist nicht genug Die Idee, Lehrmaterialien in freier Form zur Verfügung zu stellen, gibt es schon sehr lange. Unter dem Namen “Open Educational Resources” (OER) wurde sie 2002 von der UNESCO vorgestellt (UNESCO 2002). Seitdem hat es viele Versuche gegeben, offene Bildungsressourcen unter dem Label OER mit Leben zu füllen. Auch meine eigene Universität hat vor Kurzem eigens eine Infoseite für Open Educational Resources eingerichtet (https://www.uni-passau.de/oer) und Kursmaterialien, die ich in unserer Lernumgebung erstelle und hochlade, kann ich ohne Probleme als OER kennzeichnen und dadurch anderen direkt zur Verfügung stellen. Es genügt jedoch nicht, Lehrmaterialien lediglich als OER zu labeln und sie unter eine freie Lizenz zu stellen, die deren Nachnutzung erlaubt. Denn an freien Materialien verschiedenster Art haben wir ja kaum einen Mangel. Allein die Wikipedia vereint zum Beispiel einen Wissensschatz, der große Teile verschiedenster Studienfächer abdeckt und inzwischen auch in der Hochschullehre seinen Platz gefunden hat. Die Nutzung von Wikipedia-Beiträgen im Kontext wissenschaftlicher Forschung erfordert jedoch nach wie vor eine gesonderte Schulung und ersetzt die erweiterte Literaturrecherche daher keineswegs. Das Gleiche gilt auch in Bezug auf die Nutzung von Wikipedia in der Hochschullehre, wo man die Informationen nicht ohne gesonderte Aufbereitung übernehmen kann. Das Problem besteht nicht in dem Fehlen von offenen Bildungsressourcen, sondern vielmehr darin, die Unmengen an freier Information, die man im Internet in unterschiedlichster Art finden kann, für individuelle Lehrveranstaltungen inhaltlich und didaktisch angemessen aufzubereiten. Für mich zeigt sich am Thema _Open Educational Resources_ – wie auch beim Forschungsdatenmanagement – schön, was passiert, wenn ein Thema nur von organisatorischer Seite, im Top-Down-Stil, angegangen wird und die praktischen Aspekte ignoriert werden. Universitäten und Forschungsorganisationen erstellen Übersichtseiten, die wunderschön über die Idee von OER informieren und haken somit auf ihrer internen Liste das Thema als erledigt ab. Was jedoch ignoriert wird, ist, dass die Schwierigkeit nicht darin besteht, sich über OER zu informieren oder Portale zu finden, auf denen OER geteilt werden. Die Schwierigkeit besteht darin, OER in die eigenen Lehrveranstaltungen zu integrieren und von der Offenheit der Ressourcen zu profitieren. Wenn man sich nämlich die offenen Materialien anschaut, die auf Portalen wie der Virtuellen Hochschule Bayern (VHB) frei geteilt werden (https://oer.vhb.org), dann fällt rasch auf, dass es sehr schwierig ist, sich in diesen zurecht zu finden, obwohl die Sammlungen meist nur spärlich bestückt sind. Denn da OER bereits von der UNESCO sehr weit definiert wurden und alles einschließen, was irgendwie in irgendeiner Form für die Lehre benutzt werden kann, liefern die wenigsten Ressourcen das, was man konkret braucht, wenn man ein Thema unterrichten möchte. Egal, ob man im OER-Portal der VHB stöbert, oder nur intern offene Bildungsressourcen der Universität Passau im OER-Campus durchsucht (https://www.hilfe.uni-passau.de/studip/oer-campus), man wird immer mit den gleichen Problemen konfrontiert, die darin bestehen, dass man entweder keine Ressourcen zu einem Thema findet, oder Ewigkeiten braucht, um herauszufinden, was eine Ressource eigentlich bietet, da vom Bild über die Folie bis zu den Untertiteln zu einem Video oder einem 14-stündigen Videokurs alles als OER deklariert werden kann. ## 3 Von offenen Ressourcen zu offener Lehre Da – wie ich argumentiere – an offenen Ressourcen eigentlich kein Mangel besteht – ist es wichtig, zu überlegen, wie die universitäre Lehre selbst offen gestaltet werden kann. Während die Lehre an den Schulen durch Schulbücher kurrikularisiert ist, welche den Lehrerinnen und Lehrern einen klaren Rahmen vorgeben, in dem sie ihren Unterricht gestalten können, bleiben den Lehrenden an den Universitäten nur vage Modulbeschreibungen, die meist nicht mal Literatur zur Einführung aufweisen. Wenn wir aber von offener Bildung oder offener Lehre sprechen wollen, kann es nicht lediglich um die Ressourcen selbst gehen, die in der Lehre verwendet werden können. Es muss auch um die Frage gehen, wie man diese Ressourcen in die eigene Lehrpraxis einbaut, wie man sie findet, wie man sie evaluiert, und wie man die eigene Lehre so teilt, dass sie einfach von anderen Menschen weiterverarbeitet und nachgenutzt werden kann. Genauso, wie wir bei Forschungsdaten von FAIRen Daten sprechen, wenn diese _auffindbar_ (_findable_), _zugänglich_ (_accessible_), _integrierbar_ (_interoperable_) und _wiederverwendbar_ (_reusable_) sind (Wilkinson et al. 2016), so brauchen wir die Debatte um FAIRness (oder ihr Äquivalent) auch im Zusammenhang mit offenen Bildungsressourcen und offener Universitätslehre. Wenn wir die gängigen Empfehlungen zu OER unter diesem Gesichtspunkt betrachten und dabei vor allem an die Praxis denken, welche für mich damit beginnt, dass eine Person einen Kurs an einer Universität zum ersten Mal unterrichten muss, dann reicht es nicht aus, wenn Ressourcen jeglicher Art einfach nur offen sind, also mit freier Lizenz geteilt werden. Ressourcen müssen auch leicht zu finden, leicht zugänglich, leicht integrierbar und vor allem wiederverwendbar sein. Denn um eine Veranstaltung vorzubereiten braucht man neben den Ressourcen ja auch jede Menge Hintergrundwissen, welches man sich gleichzeitig erarbeiten muss. So muss man einen groben Plan machen, wann welche Inhalte während des Semesters unterrichtet werden, man muss sich konkrete Lernziele überlegen, und eventuell auch eine Strategie haben, wie man unterrichten möchte (frontal, interaktiv, mit Übungsaufgaben, usw.). All diese Aspekte rauben bei der Unterrichtsplanung meist sehr viel Zeit. Je klarer sie jedoch ausgearbeitet sind, desto mehr profitiert sowohl die Dozenten- als auch die Studentenseite. ## 4 Didaktische Hintertüren in offenen Bildungsressourcen Während ein Lehrbuch oder ein Vorlesungsskript eine große Hilfe sein kann, um den eigenen Unterricht zu gestalten, braucht es meist mehr konkrete Informationen, um aus diesen eine erfolgreiche Vorlesung oder ein erfolgreiches Seminar zu machen. Was wir brauchen, ist eine Art von _didaktischer Hintertür_ , die mit den Bildungsressourcen geteilt wird, um universitäre Lehre offen und kollegial zu realisieren. Wie genau diese Hintertür aussehen sollte, kann ich dabei zu diesem Zeitpunkt leider selbst noch nicht ganz genau sagen. Wichtige Aspekte sehe ich aber in der allgemeine _Struktur_ einer Veranstaltung, den individuellen _Lernziele_ , die sich auf diese Struktur beziehen, den _Materialien_ , die den Teilnehmern zur Verfügung gestellt werden, den komprimierten _Erkenntnissen_ , die die Teilnehmer erwerben sollen, sowie den möglichen _Aufgaben_ , mit denen diese Erkenntnisse diskutiert oder vertieft werden können. Was die _Struktur_ betrifft, so sprechen wir bei Lehrveranstaltungen an Universitäten in Deutschland meist sehr konkret von 14 Sitzungen, die natürlich weiter zu bestimmten Themen gruppiert werden können, und die Hauptstruktur einer Veranstaltung vorgeben. Die _Lernziele_ sollten zu jeder Lehreinheit formuliert werden. Die _Materialien_ können in unterschiedlicher Form vorliegen, und sich auf unterschiedliche Aspekte der Veranstaltungen beziehen. Ich denke dabei an klassische _Reader_ – Sammlungen von Texten zu einem Thema –, die den Studierenden regelmäßig Lesestoff als Grundlage für ein Seminar zur Verfügung stellen, oder auch an Materialien, die in einer Sitzung selbst verwendet werden können, wie Folien, Abbildungen, oder Fragen, die in der Gruppe diskutiert werden können. Bei den _Erkenntnissen_ denke ich an Handouts oder Skripte, die den Studierenden als klare Ankerpunkte des Wissens dienen (List 2024), und auch über eine Lehrveranstaltung hinaus genutzt werden können. _Aufgaben_ schließlich können der Seminargestaltung oder einer Vorbereitung auf eine Klausur dienen, und auch um mögliche Themenvorschläge für Seminararbeiten ergänzt werden. Wenn wir diese Informationen, die Struktur einer Veranstaltung, die Lernziele, die Lernmaterialien, die Erkenntnisse und die Aufgaben offen und in zitierbarer Form teilen, sollte es sehr viel einfacher für unsere Kolleginnen und Kollegen sein, basierend auf diesen Materialien eine eigene Lehrveranstaltung zu entwickeln. Man müsste nicht mal alle Inhalte, die man für eine Veranstaltung produziert, komplett offen teilen. Es gibt ja immer auch sehr persönliche Aspekte in der Lehre, die jemand anders so gar nicht übernehmen möchte oder übernehmen kann. Aber wenn diese grundlegenden Säulen, das grundlegende Konzept für eine Lehrveranstaltung, auf diese Weise veröffentlicht würden, dann könnte das vor allem in der Praxis an Universitäten, wo sich Lehrveranstaltungen ja oft jedes Semester oder jedes Jahr wiederholen, doch zu einer erheblichen Arbeitsentlastung führen, wenn Lehrpersonen ihre Konzepte frei untereinander teilen. ## 5 Schlussbetrachtung Ich sehe drei allgemeine und zum Teil miteinander verschränkte Gründe, warum die universitäre _nicht_ offen ist. Zum einen scheint vielen Lehrpersonen der _Aufwand_ zu groß zu sein, ihre Veranstaltungen in einer so umfangreichen Form zu dokumentieren. Zum anderen besteht bei vielen eine mangelnde _Bereitschaft zum Teilen_ , da man Angst hat, von anderen ausgenutzt zu werden, wenn man die viele Arbeit, die man in die Lehre investiert, anderen frei zur Verfügung stellt. Zuletzt wird der Lehre an Universitäten meist weniger Bedeutung beigemessen als der Forschung. Mir scheint, dass die bewusste Etablierung von Strukturen, die es erlauben – genauso wie die Zitate in der herkömmlichen Forschung – die Urheberschaft einzelner Autorinnen und Autorinnen zu würdigen, helfen könnte, diese Probleme zu lösen. Wer offene Lehrmaterialien nutzt, um neue offene Lehrmaterialien zu erstellen, zitiert die Arbeiten, auf denen die neuen Arbeiten aufbauen. Da die Materialien alle frei geteilt werden (zum Beispiel als Preprints in Archiven wie Humanities Commons, https://hcommons.org), können sie leicht gefunden und auch leicht zitiert werden. Soger unterschiedliche Versionen eines Kurses zu einem Thema lassen sich auf einfache Art erstellen. Diese entsprechen dann den unterschiedlichen Ausgaben von Lehrbüchern. Da Zitate – trotz vielseitiger Kritik an klassischen Indizes – nach wie vor eine wichtige Rolle beim Erfolg wissenschaftlicher Arbeiten speilen, könnten diejenigen, die sich besonders in der offenen Lehre engagieren, auf die gleiche Art davon profitieren, wie diejenigen, die viele Artikel schreiben, die oft zitiert werden. Dies würde auch die Lehre aufwerten, da klar wäre, dass nicht nur im Forschen und in neuen Erkenntnissen ein Beitrag zur Forschung besteht, sondern auch im Teilen des Wissens und in der Ausbildung neuer Forschungsgenerationen. Ich bin kein Freund von Top-Down-Ansätzen, in denen Organisationen sich hinsetzen und Lösungen vorgeben, die am Ende keiner anwendet. Im Zusammenhang mit meiner Mitarbeit an der Entwicklung und Propagierung der _Cross-Linguistic Data Formats_ (Forkel et al. 2018) habe ich gelernt, dass es oft viel besser ist, Probleme erst im Kleinen einfach anzugehen, als zu warten, dass sie im Großen gelöst werden. Wenn ich dieser Bottom-Up-Philosophie in der offenen Lehre folgen möchte, heißt das, dass ich diese Strukturen als erstes an unserem eigenen Lehrstuhl etablieren muss. Dieser Beitrag kann dabei als ein erster Versuch angesehen werden, erste Ideen in dieser Hinsicht in offener Form zu sammeln. ## Literatur Forkel, R., List, J.-M., Greenhill, S. J., Rzymski, C., Bank, S., Cysouw, M., Hammarström, H., Haspelmath, M., Kaiping, G. A., & Gray, R. D. (2018). Cross-Linguistic Data Formats, advancing data sharing and re-use in comparative linguistics. _Scientific Data_ , _5_(180205), 1–10. https://doi.org/10.1038/sdata.2018.205 List, J.-M. (2024). Ankerpunkte des Vertrauens in den Fluten digitaler Information. _Von Wörtern Und Bäumen_ , _8_(1). https://doi.org/10.58079/vn3l UNESCO (2002). _Forum on the impact of Open Courseware for Higher Education in developing countries_. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000128515 Wilkinson, M. D., Dumontier, M., Aalbersberg, I. J., Appleton, G., Axton, M., Baak, A., Blomberg, N., Boiten, J.-W., Silva Santos, L. B. da, Bourne, P. E., et al. (2016). The FAIR Guiding Principles for scientific data management and stewardship. _Scientific Data_ , _3_ , 1–9. https://doi.org/10.1038/sdata.2016.18 * * * Nur der Text ist unter der Lizenz Creative Commons Namensnennung 4.0 International nutzbar. Alle anderen Elemente (Abbildungen, importierte Anhänge) sind „Alle Rechte vorbehalten“, sofern nicht anders angegeben. * * * OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren: Johann-Mattis List (21. April 2026). Offene Lehre im universitären Kontext. _Von Wörtern und Bäumen_. Abgerufen am 21. April 2026 von https://wub.hypotheses.org/3421 * * * * * * * *

This study gives a brief overview on formal aspects of etymological analysis, by providing a modified workflow for the classical comparative method in historical language comparison. This workflow is contrasted with the current state-of-the-art in computational historical linguistics, pointing out where computational methods and interactive tools for annotation are lacking, and where they are available already. ## 1 Introduction It has been more than 10 years now that my dissertation was published, in which I presented a computational method that was supposed to detect cognates in comparative wordlists, based on an automated analysis of potential sound correspondences (List 2014). Now, ten years later, I know much more about the problem of cognate detection in specific and etymological analysis in general, but I still do not feel that the problem can be considered as solved. However, despite the slow progress in my personal and my colleagues’ attempts to automatize the comparative method, I see the general _workflow_ that one should follow in order to carry out a _formal_ etymological analysis, much clearer now. For this reason, I thought it is time to share my views on this workflow, in order to also provide a detailed account on those parts, where we still lack full-fledged automated approaches, while at the same time pointing to those aspects that might become relevant in the future. Some of these problems have already been mentioned as part of an essay published two years ago (List 2024a), in which I discussed several _open problems_ in the field of comparative linguistics and historical language comparison. The current attempt to summarize the major workflows involved in _formal etymological analysis_ can be seen as an attempt to follow up on this work, by contrasting the solutions we have with the solutions we need. Since the workflow for etymological analysis involves several steps that consist themselves of at times complex sub-tasks, I will restrict myself here to presenting the general workflow for etymological analysis. In later studies, I may zoom in to address particular problems in more detail. ## 2 Background The central workflow of the comparative method has been discussed in many studies. A very influential workflow can be found in the study of Ross (1996) (pages 6f). Inspired by this workflow, I have proposed a five-step approach (see Figure 1), starting from the (1) proof of relationship, followed by the (2) identification of cognates, and the (3) identification of sound correspondences, and cumulating in the (4) reconstruction of proto-forms and (5) an internal classification of the language family in question (List 2014, 58). Figure 1: Workflow of the traditional comparative method based on Ross and Durie (1996) taken from List (2014). It was based on this workflow that I later tried to automatize central parts of the comparative methods. A first step in this direction was my work on phonetic alignment and cognate detection (List 2014), which can be assigned to step (2). My work on correspondence patterns (List 2019) can be seen as central for step (3). We have used this work to build initial methods for the supervised reconstruction of proto-forms and for the prediction of reflex forms (Bodt and List 2022). While these methods are all fully automated, I have also tried to establish formal tools that allow to conduct these stages of the workflow manually, but in a way that would account for a formal – computer-readable – treatment of the individual steps when applying them to a standardized dataset. Here, most ideas went into the EDICTOR tool (https://edictor.org, List 2017), that has since then been constantly enhanced (List and Dam 2024, List et al. 2025). ## 3 Workflow When working on fully automated workflows for different aspects of the comparative method, I soon realized that none of the methods would actually yield the result that I had originally hoped for. Instead of solving a problem once and for all time, each solution would point to additional problems. This has not changed even today, even if I think that we have made great progress in the retrospective. Right now, however, I would revise the workflow that I had proposed back in 2014 and expect much smaller steps to be carried out – often also in an iterative fashion. 1. initial data preparation -> convert data to standard phonetic transcriptions 2. internal cognate analysis -> segment words into morphemes, carry out internal reconstruction and allomorphic and allophonic analysis, identify language-internal cognates, gloss individual morphemes for their particular meaning 3. external cognate analysis -> identify cognate morphemes, align them, identify potential exceptions 4. external correspondence analysis -> identify correspondence patterns, refine them, mark exceptions 5. linguistic reconstruction -> assign proto-forms to correspondence patterns 6. sound law induction -> determine the sound laws that lead from a proto-form to the individual language varieties 7. phylogenetic reconstruction -> determine major subgroupings of the languages Most of these steps have been discussed already by me in past studies, but I figured I have so far never found the time to clarify in a much more explicit manner, how I think that these different approaches could or should be best combined to form a full-fledged workflow for historical language comparison. We can arrange the seven steps in the manner shown in Figure 2. Figure 2: Revised workflow for historical language comparison. This workflow keeps the major division into two phases of the workflow that I proposed earlier, with one phase being devoted to the identification of cognates and correspondences and one being devoted to the identification of proto-forms and subgroupings. However, both steps are now extended by another step. The identification of cognate sets and correspondence patterns is now extended by what one could best call _internal reconstruction_. The phonological and phylogenetic reconstruction stage is no accompanied by a detailed search for sound laws. All three subtasks must be solved – as before – in an iterative fashion during which researchers or algorithms jump back and forth through different representations of the original data. ## 4 Workflow Examples In the following, I will try to provide more detailed examples on this revised workflow, pointing both to software solutions and to interface and modeling solutions that can be used to address the individual tasks constituting the two major phases of historical language comparison. Before we discuss the phases of cognate and correspondence detection and phonological and phylogenetic reconstruction, however, I will briefly try point to the first stage of data preparation, which is crucial for any kind of linguistic analysis, but all to often, unfortunately, treated with much less care, both by researchers and by computational solutions. ### 4.1 Data Preparation Data preparation constitutes a crucial but also frequently overlooked aspect of formal etymological analysis. Thus, in order to allow for an automated handling of word forms as _sound sequences_ we must insist that sounds are represented in standardized phonetic transcriptions in which each sound is clearly defined. Transcription systems, however, are rarely clearly defined and rely on ad-hoc extensions by scholars who feel that the transcription lacks the sounds they want to transcribe or who simply ignore the rules. Since rules are never explicitly imposed upon transcriptions and also rarely checked, this has led to a considerable diversity of transcription practices and also implementations, as can be seen from the variation underlying cross-linguistic databases and data collections (Anderson et al. 2018, 2023). With the _Cross-Linguistic Data Formats_ initiative (CLDF, https://cldf.clld.org), we have tried to lay the foundation of standardized datasets in cross-linguistic applications (Forkel et al. 2018). When developing the recommendations that were later adapted in individual CLDF versions, we relied on practical experience resulting from concrete attempts to handle cross-linguistic data both manually – trying to compile new datasets – and automatically – trying to analyze existing datasets. These recommendations, however, were not necessarily developed with CLDF as endpoint in mind, but rather reflect practical requirements for cross-linguistic data that we observed in practice. Based on these observations, we would now require that a common cross-linguistic dataset, compiled for etymological analysis, has the form of a comparative _wordlist_ provided in _long table_ format. This means, that we work with at least one table that stores the data, with each row reflecting an individual _word form_ (Form) in a individual _language variety_ (Language) that represents the translation of an individual _concept_ (Concept). The word form itself can be represented in three different ways. In the form of the original _value_ (Value) that one may observe in a dictionary (containing additional non-standard information, like brackets, but also mixed entries in which several forms are provided, separated by slashes or decorated with additional ad-hoc annotations), in the form of the actual _form_ (Form) that one wants to use as the basis of an analysis, and in _segmented form_ (Segments), fully transcribed, with individual sounds being segmented by spaces and morpheme boundaries (including word boundaries) inside the form being marked by a plus symbol (+). While the form may contain idiosyncratic transcriptions, the segmented form in CLDF _must_ account for standard transcription systems, including the B(road) IPA defined by the catalog of Cross-Linguistic Transcription Systems (https://clts.clld.org, Anderson et al. 2018). This final step of analysis, the actual _segmentation_ thus not only segments a given form of idiosyncratic transcriptions into individual speech sounds, it also standardizes speech sounds. This step of converting forms as they are usually provided in the literature into standardized segmented representations is usually done in a semi-automated fashion with the help of _Orthography Profiles_ (Moran and Cysouw 2018, see also Forkel and List 2024), but could in theory also be done manually. Depending on the language family in question, the segmentation of word forms into speech sounds is not enough, and additional segmentations of sound sequences into sequences representing individual meaning-bearing units – morphemes – are required. While this step might fall inside the stage of data preparation, practical experience shows that it is often much easier to combine this step with the _internal cognate analysis_ that will be discussed in more detail in the following section. ### 4.2 Cognate and Correspondence Detection Starting with Swadesh’s work on lexicostatistics (Swadesh 1952, 1955), the compilation of cognate-annotated comparative wordlists has become a common practice in historical linguistics. In a comparative wordlist, words from different languages are arranged according to the concepts they express and later compared for cognacy. An alternative to this annotation practice consists in the collection of etymologically related words regardless of the meanings they express. The most common format for such collections is the _etymological dictionary_ , which adds hypothetical proto-forms to all previously identified cognate sets. Both representations have advantages and disadvantages. Etymological dictionaries suffer from the fact that they only pick _positive evidence_ for genetic language relations. Meanings of individual word forms – _reflexes_ of proto-forms in the classical terminology – are usually insufficiently reported and barely standardized, often, scholars even strip off suffixes and prefixes from the reflex forms, making it very difficult to verify the origins of the entries that made it into the etymological dictionary. Comparative wordlists have the disadvantage of missing out on details. Semantic shift is a common phenomenon, but rarely reported in comparative wordlists. The annotation of cognate sets that goes beyond the concept slots that constitute their organisational basis can be tedious in practice. Furthermore, due to the original selection of a limited _number_ of basic concepts, serving as the main comparanda, many potentially interesting cognate sets are deliberately ignored. While I understand the arguments of both sides, I see much better chances in enhancing the annotation of comparative wordlists in order to make up for their shortcomings than in trying to address the shortcomings of etymological dictionaries. As a result, the basic format that I consider as relevant for etymological analysis is always the comparative wordlist that consists of a list of concepts that are in turn translated into a list of languages. In order to identify cognate sets and sound correspondences in such wordlists, three distinct analysis steps are important, which are deeply intertwined with each other. The first step consists in the detailed annotation of individual word forms in individual language varieties, with the goal of segmenting the word forms into individual morphemes, thereby identifying allophones and allomorphs and carrying out what is known as an _internal reconstruction_ of the individual language varieties. The second step consists in the identification of cognate morphemes, which have to be aligned with each other after initial identification. This step is pretty well explored, but quite a few problems remain, especially when carrying out the second step without paying attention to the first step of language-internal analysis. The third step consists in the identification of correspondence patterns. Here, one must cluster all identical _alignment sites_ that have been identified in step 1 and 2 of the cognate and correspondence detection workflow into partitions that show no conflicts with each other. Conflicts are those cases where one language shows two reflexes for the same _correspondence pattern_. Step 1 is typically ignored, but it is of crucial importance, since internal reconstruction decreases language-internal variation (Fox 1995, pp. 211-213), and can thus be seen as an important pre-requisite for any _external_ comparison of word forms. Thus, when comparing word forms in Germanic languages, it would not make much sense to use two sounds `[`ç`]` and `[`x`]` to represent the grapheme `<`ch`>` in German, since both pronunciations can be seen als allophones of the same phoneme. Retaining their phonetic pronunciations without prior language-internal analysis would only increase the variation when trying to identify sound correspondences across Germanic languages. The same holds for allomorphic variation that can be traced to language-internal processes. Language-internal variation must be reduced before comparing one language with another, in order to reduce the complexity of the external comparison. Another important aspect of language-internal comparison, that is often disregarded, consists in the identification of language-internal cognates or _word families_. Since our basic workflow does not start from previously identified cognate sets, but rather from a comparative wordlist, in which word forms are selected due to the meanings they express, we may encounter many cases in which a morpheme _recurs_ across many word forms. For this reason, a proper internal analysis should not only identify allophones, allomorphs, and morpheme boundaries, but also tag those cases where morphemes recur across word forms, making sure that morphemes are only compared once _across_ languages. The second step of the workflow, the actual identification of cognate morphemes through external language comparison is pretty well explored, with many attempts of automation and formalization. For me, the essential part of this stage consists in three individual tasks, the actual _partitioning_ of morphemes into a first set of _partial cognate sets_ (see List et al. 2016 for details on this notion), the identification of cognates recurring _across meaning slots_ in the wordlist (in Wu et al. 2020, we have called this _cross-semantic cognate detection_ at times, but I am hesitant of using the term nowadays), and the consecutive _multiple phonetic alignment_ of these morphemes (see List 2014 on multiple phonetic alignment). In order to avoid stretching the size of this study too much, I won’t comment too much on both steps, but emphasize that I consider them as actually solved for those cases where high-quality comparative wordlists with morpheme-segmented word forms resulting from a thorough internal comparison are provided. Tools like EDICTOR (List et al. 2025; List and van Dam 2024) facilitate this step greatly. Once morphemes have been assigned to individual cognate sets and consecutively aligned morphologically, we arrive at the third step of the workflow, which requires us to partition the _alignment sites_ , that is, the _columns_ of all _alignments_ reflecting all cognate sets, into _correspondence patterns_. While individual alignments reflect true correspondences, provided one trusts that the alignments have been carried out properly, thee alignments do not reflect _patterns_ , given that they are but _one_ instance of a correspondence. In order to count as a _pattern_ , a larger number of alignment sites is needed, that must confirm the recurrence of the correspondences observed. Although they play a crucial role in the traditional literature, correspondence patterns have been ignored for a long time in computational approaches. In 2019, I presented a first workflow that helps to derive correspondence patterns from aligned cognates automatically (List 2019). While this workflow was an eye-opener for myself, helping us to address several additional tasks, such as _supervised phonological reconstruction_ (List et al. 2022) and _reflex prediction_ (Bodt and List 2022), it has not received much attention beyond the work of my own group. The reason may have been that the workflow involves larger amounts of data that are difficult to be handled manually, thus making the actual verification of findings in the interaction with classical linguistics rather difficult. With EDICTOR 3, new functionalities have been made available that help scholars to carry out the annotation of correspondence patterns in a computer-readable but manual manner (List and van Dam 2024). Unfortunately, we lack clear-cut examples in which actual data have been analyzed from scratch. In practice, it has also turned out to very difficult to account for the different layers of annotation that a full-fledged etymological analysis requires. While for me it is pretty clear that a very detailed annotation is needed that accounts for the three major aspects and multiple smaller problems involved in all individual steps, we currently lack the full-fledged examples where this annotation has been applied to a larger dataset. I hope to be able to provide such examples in the future. Without such examples, I fear, it will be very difficult to enhance both the interactive annotation tools and the algorithms that could help to automatize particular tasks. ### 4.3 Phonological and Phylogenetic Reconstruction The third and in the present workflow final phase consists again of three steps that are deeply intertwined with each other. While it may be clear that the first step of linguistic (or phonological) reconstruction and the second step of sound law induction should go hand in hand, I see a similar need to integrate the final step of phylogenetic reconstruction with the previous steps, given that phylogenies play a crucial role in informing the reconstruction of proto-sounds and the induction of sound laws. The first step, linguistic (or more precisely phonological) reconstruction can be seen as an additional _clustering_ or _partitioning_ operation applied this time to the _correspondence patterns_. Correspondence patterns show – in the definition of the term that I have used in my own work – for each language only _one_ reflex sound. This means that conflicts in inferred correspondence patterns must be flagged as _exceptions_. Exceptions however, could in theory be resolved as a later stage, especially when they show a high degree of systematicity, as we know from Grimm’s studies (Grimm 1822) that were later resolved – among others – by Verner (1877). While exceptions in correspondence patterns can be considered a specific case, we can also easily think of correspondence patterns that differ strong enough so that we would not merge them (and accepting multiple reflex sounds for the same language variety). This does not, however, mean, that these patterns must reflect _different proto-sounds_. We know very well that conditioning context can easily trigger different reflex sounds in sound change. As a result, two or more distinct correspondence patterns can often be expected to correspond to the same sound in the proto-language. Carrying out a phonological reconstruction analysis thus has two consequences. First, we assign each correspondence pattern in our data to a certain proto-sound of which we assume that it was present in the proto-language. Second, by assigning identical proto-sounds to different correspondence patterns, we set the stage for the identification of conditioning context that explains the differences in the reflexes of individual language varieties. Formally, we can thus say that we cluster or partition correspondence patterns into proto-sounds. Once this step has been carried out, we are left with distinct proto-forms for each aligned cognate sets in our data. We must now identify the conditioning contexts that explain the split of a proto-sound into two or more reflex sounds in the same language variety. I call this step _sound law induction_ (see also List 2024b), since sound laws provide a concrete explanation for the change of a sound based on conditioning context. The basic task of the second step in phonological and phylogenetic reconstruction thus consists in the identifification of those contexts (or more broadly speaking those _sound laws_) that explain why the same proto-form splits into different reflexes. Since splits and mergers (mergers are less relevant for us in this context, since they have no consequences on the reconstruction practice) can occur at any stage during language evolution, it would be wrong to assign their occurrence only to the individual development of a language variaty after having split off its subgroup. Instead, we must assume that splits and mergers can happen throughout the whole evolution of a language family, on each internal node that a phylogenetic reconstruction might propose. As a result, it is crucial to substantiate any findings regarding the proto-phonology and the sound laws that constitute a language family by providing a detailed phylogenetic reconstruction that explains how the proto-language split into branches and individual language varieties over time. While I have initial ideas of how phonological reconstruction can be carried out formally, based on previously identified corresponcence patterns (see List et al. 2022), as well as an initial idea of modeling sound laws computationally (List 2024b), I have neither concrete ideas for the _induction_ of sound laws from comparative data, nor for the consistent integration of phylogenetic reconstruction with the other two steps of the workflow. I am, however, convinced, that a successfully implemented model of etymological analysis needs to account for all three steps in this stage of the workflows. Future research will show how well these ideas aspects can be integrated with each other. ## 5 Outlook This little study has not provided any answers to currently open questions in historical language comparison. What I wanted to provide instead was an overview on the detailed workflow of the comparative method that I consider as fruitful to pursue in the future. I am sure that this overview is by no means the last word on the matter. On the contrary, I expect that the workflow will be enriched by more details with time. It is also quite possible that different language families will require different treatments of certain aspects. In any case, I have the hope that future studies will not only help to improve the current state of the art with respect to the conceptualization of the workflow, but also with respect to the implementation of interactive annotation tools and automated workflows that help to make human annotation more efficient. ## References Anderson, Cormac, Tiago Tresoldi, Thiago Costa Chacon, Anne-Maria Fehn, Mary Walworth, Robert Forkel, and Johann-Mattis List. 2018. “A Cross-Linguistic Database of Phonetic Transcription Systems.” _Yearbook of the Poznań Linguistic Meeting_ 4 (1): 21–53. https://doi.org/10.2478/yplm-2018-0002. Anderson, Cormac, Tiago Tresoldi, Simon J. Greenhill, Robert Forkel, Russell D. Gray, and Johann-Mattis List. 2023. “Variation in Phoneme Inventories: Quantifying the Problem and Improving Comparability.” _Journal of Language Evolution_ 8 (2): 149–68. https://doi.org/10.1093/jole/lzad011. Bodt, Timotheus Adrianus, and Johann-Mattis List. 2022. “Reflex Prediction. A Case Study of Western Kho-Bwa.” _Diachronica_ 39 (1): 1–38. https://doi.org/10.1075/dia.20009.bod. Forkel, Robert, and Johann-Mattis List. 2024. “A New Python Library for the Manipulation and Annotation of Linguistic Sequences.” _Computer-Assisted Language Comparison in Practice_ 7 (1): 17–23. https://doi.org/10.15475/calcip.2024.1.3. Forkel, Robert, Johann-Mattis List, Simon J. Greenhill, Christoph Rzymski, Sebastian Bank, Michael Cysouw, Harald Hammarström, Martin Haspelmath, Gereon A. Kaiping, and Russell D. Gray. 2018. “Cross-Linguistic Data Formats, Advancing Data Sharing and Re-Use in Comparative Linguistics.” _Scientific Data_ 5 (180205): 1–10. https://doi.org/10.1038/sdata.2018.205. Grimm, Jacob. 1822. _Deutsche Grammatik_. 2nd ed. Vol. 1. Göttingen: Dieterichsche Buchhandlung. List, Johann-Mattis. 2014. _Sequence Comparison in Historical Linguistics_. Düsseldorf: Düsseldorf University Press. https://doi.org/10.1515/9783110720082. ———. 2017. “A Web-Based Interactive Tool for Creating, Inspecting, Editing, and Publishing Etymological Datasets.” In _Proceedings of the 15th Conference of the European Chapter of the Association for Computational Linguistics. System Demonstrations_ , 9–12. Valencia: Association for Computational Linguistics. https://edictor.org. ———. 2019. “Automatic Inference of Sound Correspondence Patterns Across Multiple Languages.” _Computational Linguistics_ 45 (1): 137–61. https://doi.org/10.1162/coli_a_00344. ———. 2024a. “Modeling Sound Change with Ordered Layers of Simultaneous Sound Laws.” [Preprint, not peer-reviewed]._Humanities Commons_. https://doi.org/10.17613/4n5z-9y52. ———. 2024b. “Open Problems in Computational Historical Linguistics [Version 2; Peer Review: 5 Approved].” _Open Research Europe_ 3 (201): 1–27. https://doi.org/10.12688/openreseurope.16804.2. List, Johann-Mattis, and Kellen Parker van Dam. 2024. “Computer-Assisted Language Comparison with EDICTOR 3 [Invited Paper].” In _Proceedings of the 5th Workshop on Computational Approaches to Historical Language Change_ , edited by Nina Tahmasebi, Syrielle Montariol, Andrey Kutuzov, David Alfter, Francesco Periti, Pierluigi Cassotti, and Netta Huebscher, 1–11. Bangkok, Thailand: Association for Computational Linguistics. https://aclanthology.org/2024.lchange-1.1. List, Johann-Mattis, Nathan W. Hill, and Robert Forkel. 2022. “A New Framework for Fast Automated Phonological Reconstruction Using Trimmed Alignments and Sound Correspondence Patterns.” In _Proceedings of the 3rd Workshop on Computational Approaches to Historical Language Change_ , 89–96. Dublin: Association for Computational Linguistics. https://aclanthology.org/2022.lchange-1.9. List, Johann-Mattis, Philippe Lopez, and Eric Bapteste. 2016. “Using Sequence Similarity Networks to Identify Partial Cognates in Multilingual Wordlists.” In _Proceedings of the Association of Computational Linguistics 2016 (Volume 2: Short Papers)_ , 599–605. Berlin: Association of Computational Linguistics. https://anthology.aclweb.org/P16-2097. List, Johann-Mattis, Kellen Parker van Dam, and Frederic Blum. 2025. _EDICTOR 3. An Interactive Tool for Computer-Assisted Language Comparison [Software Tool, Version 3.1]_. Passau: MCL Chair at the University of Passau. https://edictor.org. Moran, Steven, and Michael Cysouw. 2018. _The Unicode Cookbook for Linguists: Managing Writing Systems Using Orthography Profiles_. Berlin: Language Science Press. https://langsci-press.org/catalog/book/176. Ross, Malcolm D. and Durie, Mark. 1996. “Introduction.” In _The Comparative Method Reviewed: Regularity and Irregularity in Language Change_ , edited by Mark Durie, 3-38. New York: Oxford University Press. Swadesh, Morris. 1952. “Lexico-Statistic Dating of Prehistoric Ethnic Contacts: With Special Reference to North American Indians and Eskimos.” _Proceedings of the American Philosophical Society_ 96 (4): 452–63. ———. 1955. “Towards Greater Accuracy in Lexicostatistic Dating.” _International Journal of American Linguistics_ 21 (2): 121–37. https://www.jstor.org/stable/1263939. Verner, Karl A. 1877. “Eine Ausnahme Der Ersten Lautverschiebung.” _Zeitschrift Für Vergleichende Sprachforschung Auf Dem Gebiete Der Indogermanischen Sprachen_ 23 (2): 97–130. Wu, Mei-Shin, Nathanael E. Schweikhard, Timotheus A. Bodt, Nathan W. Hill, and Johann-Mattis List. 2020. “Computer-Assisted Language Comparison. State of the Art.” _Journal of Open Humanities Data_ 6 (2): 1–14. https://doi.org/10.5334/johd.12. **Cite this article as:** List, Johann-Mattis (2026): “Foundations of Formal Etymological Analysis” in _Computer-Assisted Language Comparison in Practice_ , 9.1: 19-30 [first published on 25/03/2026], URL: https://calc.hypotheses.org/9208, DOI: 10.15475/calcip.2026.1.3. **Download the article as PDF:** calcip-09-1-3.pdf **Copyright information** : This is an open access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited. **Funding Information** : This project has received funding from the European Research Council (ERC) under the European Union’s Horizon Europe research and innovation programme (Grant agreement No. 101044282). The funders had no role in study design, data collection and analysis, decision to publish, or preparation of the manuscript. * * * The text only may be used under licence Creative Commons Attribution 4.0 International. All other elements (illustrations, imported files) are “All rights reserved”, unless otherwise stated. * * * OpenEdition suggests that you cite this post as follows: Johann-Mattis List (March 25, 2026). Foundations of Formal Etymological Analysis. _Computer-Assisted Language Comparison in Practice_. Retrieved March 26, 2026 from https://doi.org/10.58079/15xvf * * * * * * * *

Ich konsumiere Informationen in der Form von Zeitungsartikeln meist genauso routiniert und auch schnell, wie ich mit Fastfoodgerichten umgehe: ich _ziehe sie mir rein_. Wenn man sich etwas reinzieht, dann tut man das prototypischerweise im Stehen oder sogar im Gehen. Das, was man sich reinzieht, wird routinemäßig verarbeitet, indem es vom Mund oder vom Gehirn in mittelgroße bis klein Brösel zerkaut wird, die klein genug sind, um in den Tiefen von Speiseröhre und grauer Substanz verschwinden zu können. Dort vereinen sie sich mit den anderen Dingen, die man sich zuvor reingezogen hat, und liefern dem Körper die nötige Grundlage, um den Tag erfolgreich durchzustehen. Das Essen liefert Kalorien, Nachrichten liefern mir Zerstreuung. Beide setzen bestimmte Gefühle von Glück und Zufriedenheit frei. Während ich beim Konsumieren von Nachrichten selten über die Form der Nachrichten selbst reflektiere, genausowenig, wie ich mir bei einer Bratwurst selten Gedanken über ihre Konsistenz oder Würzung mache, brachte mich ein Artikel über den ZDF-Intendanten Norbert Himmler (Tieschky, 2026), den ich mir vor Kurzem reinziehen wollte, dann aber doch überraschenderweise erst zum Stutzen und später dann auch zum Nachdenken. Was an dem Artikel meine Aufmerksamkeit erregte, waren die ersten beiden Absätze, die dazu dienten, locker und flocking in die Thematik einzuführen, und sich der typischen anekdotenhaften Form bedienten, die man in so vielen Zeitungsartikeln wiederfindet. Anstatt direkt zu berichten, dass Himmler als Intendant des ZDF wiedergewählt werden möchte und der einzige Kandidat sei, ging der Artikel auf einen komischen Kasten mit Sand am ZDF-Gebäude in Mainz ein, den man zur Entspannung mit einem Rechen durchziehen kann, um irgendwelche Muster zu formen. Dann schwenkte der Artikel auf Norbert Himmler über und erklärte, dass Himmler den Kasten nach der Wahl wohl kaum benutzen würde. > Diesen Freitag will Intendant Norbert Himmler für eine zweite Amtszeit vom Fernsehrat bestätigt werden, und auch wenn das filmisch eine arg interessante Szene wäre: eher unwahrscheinlich, dass Himmler mit dem Hölzchen in der Hand spätabends die Sorgen um seine Wiederwahl im Sand besänftigen muss. Schon deshalb, weil er der einzige Kandidat ist. (Tieschky 2026, Absatz 2) Während mich diese typischen Einleitungen, die in so vielen Zeitungsartikeln verwendet werden, um in ein Thema auf eine scheinbar interessante Art einzuführen, selten stören, da ich sie einfach geistig mitnehme und ignoriere, genauso wie ich die Alufolie akzeptiere, in die oftmals Döner eingewickelt werden, schien mir diese Anleitung das Prinzip der freundlich und unterhaltsam aufbereiteten Information dann doch gewaltig übertrieben zu haben. Was interessiert mich ein Sandrechen in einem Artikel über die geplante Wiederwahl des ZDF-Intendanten? Warum muss jeder zweite Zeitungsartikel ohnehin mit einer dieser Mini-Anekdoten beginnen, die dann am Ende – die Ringkomposition der antiken Rhetorik lässt grüßen – wieder aufgegriffen werden, um die große virtuelle Klammer zu schließen, die zu Beginn geöffnet worden war? Brauchen wir diese Struktur wirklich, um Information zu vermitteln? Es ist klar, dass wir sie nicht brauchen. Es handelt sich eher um eine Marotte von Journalisten, als um eine rhetorische Form, die durch die Inhalte oder die Ziele der Informationsvermittlung begründet werden kann. Was aber weniger klar ist, und hier kommt dann auch die Wissenschaft ins Spiel, ist, inwiefern wir bereit wären, Information zu konsumieren, wenn sie nicht mit ein bisschen Liebe aufbereitet worden wäre. Beim Essen ist die Situation ja ähnlich. Wir konsumieren gerne Dinge, die ansprechend aussehen. Was wir ansprechend finden, ist zum Teil sicher kulturell begründet, aber zum Teil eben auch durch unser Menschsein und durch unsere menschlichen Körpert mit ihren menschlichen Bedürfnissen im Allgemeinen. Wir sprechen auf Süßes an und auf Fettiges, sehr gerne auch auf die Kombination der beiden. Die Erscheinung des Essens gibt uns Vertrauen in dessen Qualität. Wenn bei einem Streetfoodladen im Sommer das Fleisch grünlich schimmert, wartet man lieber auf die kältere Jahreszeit, die den fehlenden Kühlschrank ersetzt und die Wahrscheinlichkeit, sich eine deftige Fleischvergiftung einzufangen, sicherlich reduziert. Wenn man in einem Restaurant sitzt, in dem die Tischdecke aussieht und sich anfühlt, als hätte sie bei den vorangegangenen Gästen als Serviette gedient, dann hegt man sicher auch zurecht gewisse Zweifel an der Hygiene in der Küche. Wenn Dubai-Schokolade visuell und haptisch als Knödel konzipiert worden wäre, der an frische Berliner Hundehaufen erinnert, dann hätte sie sicherlich viel weniger Abnehmer gefunden, national wie international. Das Auge _isst_ also immer mit, wenn wir etwas zu uns nehmen. Genauso _liest_ das Auge aber eben auch mit, wenn wir Informationen konsumieren. Je nachdem, wie wir kulinarisch und literarisch sozialisiert worden sind, neigen wir unterschiedlichen Formen von Speisen und Nachrichten zu. Ich selbst liebe ja die Zeitung, genauso wie ich sauber beschmierte Butterbrote mit Käse mag. Andere stehen eher auf lustige Videos oder Burger von Fastfoodketten. Wieder andere gehen zum Sternerestaurant und lesen Derrida zur Entspannung. In jedem Fall machen wir die Qualität dessen, was wir konsumieren, davon abhängig, wie wir dessen _Form_ wahrnehmen. Die oben erwähnte Ringkomposition beglückt leicht zu beeindruckende Leser wie mich normalerweise gehörig, genauso wie ein Leberkäsestückchen im Kaiserbrötchen mit wahlweise Senf oder Ketchup anderen Menschen kulinarische Freudensprünge bescheren kann. Nur in dem erwähnten Artikel wirkte sie dann doch so fehlplatziert, dass sie mir in Erinnerung rief, dass ich sie eigentlich gar nicht _brauche_ , um den Inhalt zu rezipieren, genauso, wie man die Salatgarnitur nicht braucht, um das Schnitzel zu verzehren. Die Frage ist nun aber, wie es sich denn mit der Gestaltung von Information in der Wissenschaft verhält? Denn wenn man von ihren zwei Grundprinzipien, dem _transparenten Erkenntnisgewinn_ und dem _Kampf um die besten Ideen_ ausgeht (List, 2025), dann könnte man zumindest auf den ersten Blick erwarten, dass die Aufbereitung von Information für die Wissenschaft nebensächlich sein sollte, solange Information nur so aufbereitet wird, dass sie transparent erfasst werden kann. Da der Kampf um Ideen jedoch voraussetzt, dass Menschen von diesen überzeugt werden müssen, kann sich kein Bereich der Wissenschaft vollkommen von dem Vorwurf freisprechen, im Ideenkampf auf rhetorische Mittel zurückzugreifen. Denn wer andere davon überzeugen möchte, dass bestimmte Ideen besser als andere sind, wird sich in der Praxis nie allein darauf verlassen, dass der Kampf durch allwissende Schiedsrichter entschieden wird, welche den Inhalt von Argumenten ohne deren Form bewerten. Die Form, in der Argumente vorgetragen werden, spielt in der Wissenschaft eigentlich _immer_ eine Rolle, auch wenn Wissenschaft Betreibende das ungern zugeben möchten. Wir stützen uns auf eingängige Terminologie, auf visuell ansprechende Graphiken und auf klare Argumente, um mit unseren Ideen zu überzeugen. Wir lernen dabei sehr früh in unserer Ausbildung, dass es gerade diese formalen Punkte sind, die über den Erfolg von Ideen, die in Artikeln geteilt werden, entscheiden können. Genauso wie saubere – unseren Erwartungen entsprechende – Formen beim Essen unser Vertrauen darin steigern, dass dieses uns schmecken und guttun wird, so ist es auch die Form, in der man uns Information vermittelt, die entscheidet, ob wir ihr vertrauen. Während die Zubereitung von Informationen im Journalismus dabei ihren eigenen Regeln folgt – welche durch soziale Medien im Umbruch begriffen sind – haben sich auch in den einzelnen Zweigen der Wissenschaft spezifische Regeln etabliert, an die man sich halten muss, wenn man zu den Kolleginnen und Kollegen durchdringen will. Natürlich sind Abweichungen von der Regel in der Wissenschaft genauso möglich wie im Journalismus und der gehobenen Kochkunst. Kreatives Abweichen vom Mainstream ist in jedem Bereich möglich. Sie ist aber die Ausnahme und nicht die Regel, und selbst das bewusste Abweichen von etablierten Regeln stellt ja eine explizite Auseinandersetzung mit denselben dar. Die Rhetorik jedenfalls zieht sich durch alle wissenschaftlichen Prozesse. Schon beim Einreichen von Artikeln kann sie entscheiden, wie lange es dauert, bis ein Artikel veröffentlicht wird, da Artikel mit guten Illustrationen und klaren Argumenten, Strukturen und Ergebnissen in den meisten Fällen erfolgreicher sind, als Artikel, deren Erkenntnisse in der Begutachtung mühsam entschlüsselt werden müssen. Nach der Begutachtung muss man sich taktischer Rhetorik bedienen und dafür sorgen, die Gutachterinnen und Gutachter nicht zu vergrätzen, selbst wenn man diesen nicht glaubt und ihnen nicht vollkommen folgen will. Allein der Umgang mit Gutachtern ringt Wissenschaftlern zuweilen rhetorische Höchstleistungen ab, die an Sophismus grenzen können. Da Rhetorik es aber auch ermöglicht, die Inhalte zu verfälschen, genauso wie man Essen aus verschimmelten Zutaten so anrichten kann, dass keiner imstande wäre dessen Verdorbenheit zu erschmecken, würde man in der Wissenschaft eigentlich gern auf sie verzichten. Denn wir wollen ja schließlich wissen, was _drin_ ist, in dem Argument. Da die ästhetische Aufbereitung von Information aber anscheinend essentiell für unsere kognitive Architektur ist, und vielfältige Funktionen erfüllt, die über die bloße Schönheit von Argumenten hinausgeht, denke ich nicht, dass wir etwas erreichen, wenn wir die Rhetorik aus der Wissenschaft verbannen. Es bringt nichts, wenn wir anfangen, nur noch zwei, vier, oder mehr Beispiele aufzuzählen, wenn unser ästhetischer Appetit nach einem _Trikolon_ lechzt (vgl. Miller 2019 zur rhetorischen Rolle der Zahl drei, sowie Carlson & Shu 2007 zu psychologischen Aspekten). Auch scheint es mir durchaus wichtig, die Rolle von Titeln in wissenschaftlichen Arbeiten klar zu kommunizieren, zu analysieren, und eine entsprechende Zeit in gute Titel zu investieren (vgl. Haggan, 2004 zu Titeln in wissenschaftlichen Publikationen). Klar ist auch, dass wir eine klare Diskussion über die Rolle, die die Form für wissenschaftliche Argumente, spielt, führen müssen, und uns in der Verwendung von Sprache im wissenschaftlichen Schreiben gut über grob manipulierende Sprache informieren, um sie zu vermeiden (vgl. dazu Corneille et al., 2023). Noch wichtiger scheint es mir allerdings, in Kombination mit einem bewussten Bekenntnis zu bestimmten ästhetischen Zielen in wissenschaftlichen Publikationen darauf zu achten, dass wir transparent bleiben in unserem Handeln. Gute Küchen liefern eine Liste der Zutaten mit Hinweisen zu deren Herkunft und lassen die Menschen beim Kochen zuschauen. Dass immer noch so viel Wissenschaft betrieben wird, die sich diesen einfachen Regeln der Transparenz im Rahmen einer offenen Forschung versperrt, schmerzt mich noch viel mehr, als wenn ich schlecht formatierte und schlampig formulierte Texte lesen muss, deren Autoren sich hochnäsig auf die Genialität ihrer Inhalte verlassen. ## Literatur Carlson, K. A., & Shu, S. B. (2007). The rule of three: How the third event signals the emergence of a streak. _Organizational Behavior and Human Decision Processes_ , _104_(1), 113–121. https://doi.org/10.1016/j.obhdp.2007.03.004 Corneille, O., Havemann, J., Henderson, E. L., IJzerman, H., Hussey, I., Xivry, J.-J. O. de, Jussim, L., Holmes, N. P., Pilacinski, A., Beffara, B., Carroll, H., Outa, N. O., Lush, P., & Lotter, L. D. (2023). Beware “persuasive communication devices” when writing and reading scientific articles. _eLife_ , _12_. https://doi.org/10.7554/elife.88654 Haggan, M. (2004). Research paper titles in literature, linguistics and science: dimensions of attraction. _Journal of Pragmatics_ , _36_(2), 293–317. https://doi.org/10.1016/s0378-2166(03)00090-0 List, J.-M. (2025). Kann man verantwortungsvolle Wissenschaft mit KI betreiben? _Von Wörtern Und Bäumen_ , _9_(12). https://doi.org/10.58079/15cdq Miller, J. L. (2019). Rhyme, reason, and rhetoric. _Physics Today_ , _2019_(8). https://doi.org/10.1063/PT.6.3.20190815a Tieschky, C. (2026). Öffentlich-Rechtliche ,,Wir sind Teil dessen, was zuerst angegriffen wird”. _Süddeutsche Zeitung_ , _82_. https://www.sz.de/li.3395500 * * * OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren: Johann-Mattis List (20. März 2026). Vom Konsumieren von Information. _Von Wörtern und Bäumen_. Abgerufen am 20. März 2026 von https://wub.hypotheses.org/3386 * * * * * * * *

Bei dem Textdokument handelt es sich um das Skript zu einer Vorlesung, die zum ersten Mal in dieser Form im Wintersemester 2025/2026 an der Universität Passau gehalten wurde und versucht, eine möglichst umfassende Einführung in die Grundlagen von Sprachmodellen auf Basis einer genaueren Untersuchung verschiedener Aspekte der Sprachverarbeitung zu geben.

Mit viel linguistischem Interesse habe ich vor kurzem einen populärwissenschaftlichen Artikel von Schubert (2026) gelesen, der von einer Forschungsgruppe handelt, der es gelungen war, die täglichen _Blähungen_ von Menschen viel genauer als zuvor zu messen (Botasini et al. 2025). Dieser Gruppe war es gelungen, einen spezifischen Unterhoseneinsatz zu konstruieren, welcher sich als _smart wearable_ via Bluetooth mit dem Smartphone verbinden kann und in der Lage ist, exakt zu messen, _wie oft_ , _wann_ und _wie stark_ die Person, die den Einsatz trägt, im Laufe eines Tages _Blähungen_ hat. Das Ergebnis von Teststudien mit Probanden zeigte darüber hinaus, dass die Zahlen sich wohl in Bezug auf die durchschnittliche Blähungsfrequenz als auch in Bezug auf die individuelle Variation dieser Frequenz stark von den Zahlen unterscheiden, die zuvor auf Basis von einfachen Umfragen erzielt worden waren. Hierzu schreibt Schubert (2026): > Die erstaunlich großen Diskrepanzen zu älteren Angaben rühren zum Teil daher, dass sich frühere Untersuchungen oft auf Selbstauskünfte stützten. Diese sind jedoch durch Aufmerksamkeits- und Erinnerungslücken der Probanden, fehlerhafte Angaben sowie die Schwierigkeit, sich während des Schlafs selbst zu beobachten, beeinträchtigt. Zudem haben Menschen sehr unterschiedliche Eigenwahrnehmungen ihrer Körperfunktionen. (Schubert 2026: Absatz 5) Das Problem mit der Selbstauskunft ließ mich aus zwei Gründen aufmerken. Zum einen gibt es auch in der Linguistik bestimmte Datensammlungen, die fast ausschließlich auf Selbstauskünfte beruhen. Dazu gehören zum Beispiel das _Erwerbsalter_ von Wörtern (Łuniewska et al. 2019), oder Versprechersammlungen (Poulisse 1999, 6). Zum anderen fiel mir auf, dass sowohl der Artikel von Schubert als auch die Studie von Botasini et al. nahezu _krampfhaft_ zu versuchen scheinen, die Angelegenheit, um die es geht, _nicht_ bei ihrem kolloquialen Namen zu nennen. Sie winden sich regelrecht davor, auszusprechen, dass es um _Blähungen_ , oder um es noch deutlicher zu sagen, ums _Furzen_ geht. So nimmt Schubert Ausflucht zum Wort _Darmwind_ , das ich bis dahin noch nie gehört hatte, während Botasini et al. den lateinischen _Flatus_ zu Hilfe nehmen, um die _metabolischen Dynamiken_ (“metabolic dynamics”) _mikrobieller Gemeinschaften_ (“metabolic communities”) im menschlichen Darm zu umschreiben. Natürlich ist mir klar, dass man im wissenschaftlichen Kontext Wörter wie _Furz_ , _Pups_ oder im Englischen _fart_ , oder _toot_ lieber vermeidet. Man hat Angst, dass die sicherlich ernst gemeinte Forschungsabsicht Schaden nehmen könnte, wenn man offen schreibt, dass man sich wissenschaftlich mit der _Furzfrequenz_ von Menschen beschäftigt und dazu einen smarten _Schlüpfer_ konstruiert hat, mit dessen Hilfe man _Pupshäufigkeit_ und _Furzstärke_ endlich wissenschaftlich untersuchen kann. Dass man dabei noch herausgefunden hat, dass Menschen regelmäßig untertreiben, wenn man sie fragt, wie oft sie pro Tag einen fahren lassen, macht die Situation für die Autoren nicht einfacher. Interessant scheint mir in dem Zusammenhang aber schon zu sein, dass im Artikel von Schubert nicht mal von _Blähungen_ die Rede ist, obwohl der Ausdruck eigentlich nicht tabuisiert sein sollte, zumal er etymologisch mit dem Lateinischen _flatus_ verwandt ist. Denn sowohl das deutsche Verb _blähen_ als auch das lateinische Verb _flare_ (aus dem der _flatus_ abgeleitet ist) gehen — zumindest laut Pfeifer (1993) — auf die indogermanische Wurzel *_bʰel_ – zurück, die wohl so viel wie “aufblasen” oder “anschwellen” bedeutete (vgl. Pfeifer 1993 im DWDS s. V. “blähen”). Aber auch das deutsche Verb _furzen_ und das englische Verb _to fart_ liegen nicht so weit entfernt von dieser Wurzel. Beide Wörter gehen auf die indogermanische Wurzel *perd- zurück, die wohl schon damals “furzen” bedeutete und in recht ähnlicher Form im Altindischen (Sanskrit _párdatē_), Griechischen (Altgriechisch _pérdesthai_ , πέρδεσθαι) und Russischen (_perdét’_ , пердеть) erhalten geblieben zu sein scheint (Pfeider 1993 im DWDS s. v. “Furz”). Im Lateinischen gibt es neben _flatus_ noch eine weitere Form, nämlich das Verb _pedere_ “furzen” oder seine nominalisierte Variante _peditum_ “Furz”, die in vielen romanischen Sprachen weiterlebt (vgl. Spanisch _pedo_ “Furz” oder Französisch _pet_ “Furz”) und wohl auf die indogermanische Wurzel *_pesd_ – “furzen” zurückgeht (Vaan 2008, p. 454f). Was mich an diesen Formen schon immer gewundert hat, ist, dass sie einander doch eigentlich recht ähnlich sind. Denn wenn die Rekonstruktionen, die ich genannt habe, alle so stimmen, dann hatte man im indogermanischen mindestens drei Verben, mit deren Hilfe man auf das Freilassen von Darmwinden verweisen konnte, die alle sehr ähnlich klangen, aber doch mit aller Ernsthaftigkeit unterschiedlich rekonstruiert werden. Da haben wir *_bʰel_ -, welches allgemein mit der Bedeutung “aufblasen” rekonstruiert wird, aber im engeren Sinne von “Blähungen ablassen” gebraucht wurde, und dazu kommen dann noch *perd- und *pesd-, welche wohl beide ausschließlich auf das Ablassen von Darmwinden referierten. Es fällt dabei auf, dass alle drei indogermanischen Wurzeln mit einem bilabialen Laut beginnen, dazu weisen zwei von drei Wurzeln einen liquiden Laut ([r] oder [l]) auf. Wenn man hierzu das Chinesische Wort _pì_ 屁 “Furz” hinzufügt, und sich in Erinnerung ruft, dass das Chinesische mit dem Indogermanischen in keiner bekannten Form verwandt war, dann wird deutlich, dass es sich wohl in allen Fällen um _lautmalerische_ Verbindungen handelt. Ähnlich wie bei Wörtern wie _Mama_ und _Papa_ , die in vielen Sprachen ähnlich klingen und auch die gleiche Bedeutung haben (Jakobson 1960; List et al. 2022), scheint also auch der _Darmwind_ einer Tendenz zur einheitlichen Versprachlichung zu unterliegen. Es läuft auf einen _bilabialen Plosiv_ hinaus, dem ein _flatternder Sonorant_ folgen kann, um wirklich alle Missverständnisse auszuräumen, welchen prägnanten Laut, der die Menschen seit jeher begleitet, das jeweilige Wort versprachlichen soll. Ob es angesichts dieser Vielzahl von beobachtbaren Tendenzen, das Wort hinter Schuberts _Darmwind_ mit Hilfe eines bilabialen Lauts, dem ein flatternder liquider Laut oder Sonorant folgt, auszudrücken, allerdings Sinn macht, die möglichen Ursprungslautungen allesamt in einem separaten Eintrag im etymologischen Wörterbuch abzulegen, scheint mir dann doch etwas fraglich zu sein. Viel sinnvoller wäre es wohl, wenn sich die historische Sprachwissenschaft endlich mal explizit mit Lautmalerei und vor allem auch Zufallsähnlichkeiten auseinandersetzen würde. Denn da das Inventar, mit dem wir Wörter in den Sprachen der Welt, die gesprochen werden, gestalten, in allen Fällen relativ begrenzt ist, sind auch die Möglichkeiten, sich auszudrücken oder bestimmte Dinge zu benennen, dieser Begrenzung unterworfen. Eine explizite Auseinandersetzung mit den möglichen Kandidaten, also den Konzepten, die eine hohe Wahrscheinlichkeit aufweisen, in ihrer Entwicklung durch Lautmalerei beeinflusst worden zu sein, würde helfen, zu vermeiden, dass etymologische Wörterbücher immer weiter aufgebläht werden, weil auch der letzte _Pups_ in ihnen mit einem speziellen Eintrag gewürdigt wird. Dass man die gesellschaftlich tabuisierten Wörter in journalistischen oder wissenschaftlichen Texten meidet, auch um vorzubeugen, am Ende nicht wirklich ernst genommen zu werden, kann ich natürlich gut nachvollziehen. Dass auch die Wörter, auf die man am Ende zurückgreift, um ihre tabuisierten Geschwister zu ersetzen, am Ende meist den ersetzten Wörtern gar nicht so unähnlich klingen, ist dabei eine Ironie des Schicksals, die ich persönlich recht amüsant finde. ## Literatur Botasini, Santiago, David Zhan, Norman Fischer, Charlotte T. Ravel, Ashley Tien, Maggie R. Grant, Glory Minabou Ndjite, et al. 2025. Smart Underwear: A novel wearable for long-term monitoring of gut microbial gas production via flatus._Biosensors and Bioelectronics: X_ 27 (December): 1–8. https://doi.org/10.1016/j.biosx.2025.100699. Jakobson, Roman. 1960. “Why ‘Mama’ and ‘Papa’?” In: Kaplan, Bernard and Wapner, Seymour (Eds.) _Perspectives in psychological theory: Essays in honor of Heinz Werner_ International Universities Press: New York. 124-134. List, Johann-Mattis, Robert Forkel, Simon J. Greenhill, Christoph Rzymski, Johannes Englisch, and Russell D. Gray (2022): Lexibank, A public repository of standardized wordlists with computed phonological and lexical features. _Scientific Data_ 9.316. 1-31. https://doi.org/10.1038/s41597-022-01432-0 Łuniewska, Magdalena, Zofia Wodniecka, Carol A. Miller, Filip Smolík, Morna Butcher, Vasiliki Chondrogianni, Edith Kouba Hreich, et al. 2019. Age of acquisition of 299 Words in seven languages: American English, Czech, Gaelic, Lebanese Arabic, Malay, Persian and Western Armenian. _PLoS One_ 14 (8): 1–19. https://doi.org/10.1371/journal.pone.0220611. Pfeifer, Wolfgang. 1993. _Etymologisches Wörterbuch des Deutschen_. 2nd ed. Berlin: Akademie. Online abrufbar: http://www.dwds.de/. Poulisse, Nanda. 1999. _Slips of the tongue: Speech errors in first and second language production_. Studies in Bilingualism. John Benjamins. Schubert, Frank. 2026. “32 Darmwinde pro Tag sind normal.” _Spektrum Der Wissenschaft Online_ 2026 (2). https://www.spektrum.de/news/physiologie-32-darmwinde-taeglich-sind-normal/2309452. Vaan, Michiel, ed. 2008. _Etymological dictionary of Latin and the other Italic Languages_. Leiden Indo-European Etymological Dictionary Series 7. Leiden; Boston: Brill. * * * Nur der Text ist unter der Lizenz Creative Commons Namensnennung 4.0 International nutzbar. Alle anderen Elemente (Abbildungen, importierte Anhänge) sind „Alle Rechte vorbehalten“, sofern nicht anders angegeben. * * * OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren: Johann-Mattis List (14. Februar 2026). Vom Winden vor Winden. _Von Wörtern und Bäumen_. Abgerufen am 14. Februar 2026 von https://doi.org/10.58079/15oxl * * * * * * * *

Regular sound correspondences constitute the principal evidence in historical language comparison. Despite the heuristic focus on regularity, it is often more an intuitive judgement than a quantified evaluation, and irregularity is more common than expected from the Neogrammarian model. Given the recent progress of computational methods in historical linguistics and the increased availability of standardized lexical data, we are now able to improve our workflows and provide such a quantitative evaluation. Here, we present the balanced average recurrence of correspondence patterns as a new measure of regularity. We also present a new computational method that uses this measure to identify cognate sets that lack regularity with respect to their correspondence patterns. We validate the method through two experiments, using simulated and real data. In the experiments, we employ leave-one-out validation to measure the regularity of cognate sets in which one word form has been replaced by an irregular one, checking how well our method identifies the forms causing the irregularity. Our method achieves an overall accuracy of 85\% with the datasets based on real data. We also show the benefits of working with subsamples of large datasets and how increasing irregularity in the data influences our results. Reflecting on the broader potential of our new regularity measure and the irregular cognate identification method based on it, we conclude that they could play an important role in improving the quality of existing and future datasets in computer-assisted language comparison.

In this opinion piece, I share my view on the application of language models and text generation services in scientific research. In my opinion, scientific research that lives up to the promises of open science must provide full documentation of all prompts and exchanges that were used to create a given study. A mere mention that AI tools have been used in study design, writing, or coding is not enough. ## 1 Introduction There is a divide in scholars between those who embrace language models and specifically chatbots in their own research, arguing that they help them in wording their texts and the like, and those who are strictly against their use in scientific work. I would count myself to the latter camp, as I also do not use language models to write any of my texts, and I switch off all AI features in search engines, where I can. But independently of my own opinion on this matter, I was asking myself if there was any form of a transparent way to use language models. In the end of last year, I have argued that I see _no_ way to justify the use of chatbots and language models as long as they are not constructed by open principles (see Liesenfeld, Lopez, and Dingemanse 2023) and as long as they do not allow for the direct retrieval of existing sources that serve as anchor points to ground their contents (List 2025). Given the practice that I observe from many colleagues, not many scientists share my opinion. Similar to the increased use of generated texts in editing Wikipedia articles (Brooks, Eggert, and Peskoff 2024), I observe more and more collagues reporting of intensive chat discussions that they have with ChatGPT or other chatbots, or using chatbots to code or create figures for their studies. Since I have always been enjoying to produce my scientific work without the help of others, I never felt the need to turn to chatbots to ask for help, neither with wordings in a text, nor with code or figures. Given that I also may spent hours in the internet in the search for particular kinds of information that a seemingly all-knowing person might answer within seconds, I can, however, see why people feel the desire to speed up certain aspects of their individual investigation workflows, even if I do not see a concrete use to turn to chatbots in my own work so far. When recently even the German Research Foundation officially confirmed that its main committee had approved the use of chatbots, provided certain major rules are followed (DFG 2025), I thought it might be time to review these rules more closely, contrasting them with my own requirements with respect to transparency and openness in scientific research. ## 2 Lax Guidelines on Generated Text Use The German Research Foundation emphasizes that the use of text generation machines in review writing must be in concordance with four major principles, _confidentiality_ , _transparency_ , _critical quality assessment_ , and _responsibility_. Confidentiality refers to the content of the proposals that reviewers are asked to review. Here, the rules do not allow to share these proposals with chatbot services that store the information permanently, ruling out naive usage of chatbots like Grok or ChatGPT via their web interfaces. Transparency refers to the obligation to disclose chatbot usage by scientists acting as reviewers. Critical quality assessment means that reviewers are required to thoroughly check all generated contents in their reviews. Responsibility emphasizes that the reviewers remain responsible for their reviews and that they cannot blame the bots they used to write their assessments. As far as I understand these guidelines, it is clear that they basically rule out the most popular text generation services offered by big tech companies such as Google or OpenAI, since they store the questions that users have been asked and use them also as feedback in the further development of their services. Given the push of companies like Microsoft to include chatbots in all their services, one may also ask oneself to which degree the creation of word documents with the help of Microsoft’s Office program can be done in a way conform with the confidentiality requirement of the German Research Foundation. In any case, the guidelines – if honestly followed by scientists – drastically restrict the application of chatbots in review generation, probably close enough to make their application impossible for those who follow the rules. If scientists follow those rules is a different question, of course, but that people stick to good scientific practice is anyway largely outside of the control of research agencies. ## 3 Conflicts with Good Scientific Practice and Open Science Despite the fact that the guidelines are – in principle – much stricter than their wording might suggest, they bear two major shortcomings that may have an unwanted effect on good scientific practice. On one hand, the apparently lax wording of the guidelines invites misunderstandings and abuse. On the other hand, the guidelines fall short of providing concrete and transparent proposals for the use of language generation services that would _not_ contradict or undermine good scientific practice. That the guidelines are ill-worded, forcing many people to believe that the DFG now allows its reviewers to delegate reviews to ChatGPT or other irresponsible language generation services, can be easily seen from the huge negative reaction that the publication of the guidelines received among scientists (see Bahr 2026, as a representative example). It seems obvious that clear examples for use cases that contradict or are in line with the guidelines are missing. For me, however, it is even more annoying that no attempts are undertaken to clarify how text generation machines could be employed in a transparent way that would not contradict the current notion of _good scientific practice_ as they are published by the German Research Foundation itself (DFG Team Wissenschaftliche Integrität 2024). From the perspective of _open science_ principles, it seems clear to me that good scientific practice in the use of text generation machines requires very clear guidelines with very high bars regarding transparent documentation. More concretely, in my opinion, the only transparent way of using text generation machines that are trained on public data would consist in submitting all _prompts_ along with the texts produced by scientists. This would mean that scientists who have used chatbots excessively to create research papers would have to disclose in a transparent and clear manner, what labor has been delegated to text generation services, and how the output was later included in the results. I do not have fixed ideas of how I would expect prompts to be shared right now. With students, I typically ask for screenshots of the prompt discussions, but an even better format might consist in screenshots along with versions in plain text, where question and answer are being transparently shared. ## 4 Transparent Use of Generated Texts While I have not been able to come up with a perfect solution in this regard, it seems very clear to me that it is _not_ enough, if scientists add a statement in a footnote that says that they used ChatGPT to clean up their references or fixed some wordings. There are two main reasons why I think that it is important to share the actual prompts in order to make text generation usage transparent. On one hand, text generation is more _intrusive_ than information retrieval via classical search engines. Since the sources of generated texts are typically entirely unclear, more rigor is required to allow scholars to understand what parts were written by the authors of a study and what parts were generated. On the other hand, transparency in science has an _educational aspect_. Scientists learn from their colleagues how to carry out their own research. Transparency on prompts here helps scholars to learn from the prompts of their colleagues and from the tools they use to support them in writing, to enhance their own work. As researchers who subscribe to publicly funded _open science_ , we are cooks who prepare their meals in the open, sharing all ingredients and recipes to make sure that all people out there in the world who want to prepare their own meals can prepare them at home without having to buy them in our store. Since we are publicly funded and large parts of the world still seem to believe that scientific progress is an enterprise that should be pursued in a collaborative, open competition for the best ideas, we should not be selective about the ingredients we use to create our dishes. In hiding parts of our ingredients, we contribute to the growing mistrust in science that can be observed more and more frequently these days. If the promise in the openness of science that many scientists subscribe to is taken seriously, everybody who uses chatbots to write their texts should live up to it. How chat conversations should be stored concretely, however, is a question I cannot answer at this point. For the time being, I think any way would be okay, be it screenshots or questions and answers pasted in text files. Since generated texts constitute a completely new problem of transparency that has no precedence that I would know of in the past, it seems that practitioners of science must come up with their own solutions in the future. With more people seeking transparency in the use of text generation services, I would hope that new conventions can emerge quickly over the next years, leading to new conventions and standards that complete basic rules of citation, data sharing, and replicable code in the future. ## 5 Conclusion It is absolutely clear to me that my perspective on the usage of text generation tools in scientific research may be different from that of many colleagues. As somebody who can be seen as the opposite of an _early adopter_ with respect to text generation services, my opinion may seem much stricter than it should be to those who enjoy their daily chats with chatbots. However, as somebody who has been fighting hard for _transparency_ in science, at least as far as my own discipline is involved, I see no other way than making strict demands. If we want preserve the major rules of good research practice that the scientific community has been trying hard to establish in the past decades, we have to share the sources of our insights in a transparent manner. These sources include the prompts that we used to trigger text generation by large language models. ## References Bahr, Amrei. 2026. “Begutachtung mittels KI: Zur fragwürdigen Entscheidung der DFG.” _Arbeit in Der Wissenschaft_ , January. https://steady.page/de/arbeit-in-der-wissenschaft/posts/9ce6550f-973e-4d16-9d09-c5556fa10373. Brooks, Creston, Samuel Eggert, and Denis Peskoff. 2024. “The rise of AI-generated content in Wikipedia.” In _Proceedings of the First Workshop on Advancing Natural Language Processing for Wikipedia_ , edited by Lucie Lucie-Aimée, Angela Fan, Tajuddeen Gwadabe, Isaac Johnson, Fabio Petroni, and Daniel van Strien, 67–79. Miami, Florida, USA: Association for Computational Linguistics. https://doi.org/10.18653/v1/2024.wikinlp-1.12. DFG, Deutsche Forschungsgemeinschaft. 2025. “Künstliche Intelligenz in Der Begutachtung.” _Informationen Für Die Wissenschaft_ 2025 (102). https://www.dfg.de/de/aktuelles/neuigkeiten-themen/info-wissenschaft/2025/ifw-25-102. DFG Team Wissenschaftliche Integrität. 2024. “Leitlinien zur guten wissenschaftlichen Praxis [Report, Version 2].” Leitlinien. Bonn: Deutsche Forschungsgemeinschaft. https://doi.org/https://doi.org/10.5281/zenodo.14281892. Liesenfeld, Andreas, Alianda Lopez, and Mark Dingemanse. 2023. “Opening up ChatGPT: Tracking openness, transparency, and accountability in instruction-tuned text generators.” In _Proceedings of the 5th International Conference on Conversational User Interfaces_ , 1–6. CUI ’23. Eindhoven: Association for Computing Machinery. https://doi.org/10.1145/3571884.3604316. List, Johann-Mattis. 2025. “Kann man verantwortungsvolle Wissenschaft mit KI betreiben?” _Von Wörtern Und Bäumen_ 9 (12). https://doi.org/https://doi.org/10.58079/15cdq. * * * The text only may be used may be used under licence Creative Commons Attribution 4.0 International. All other elements (illustrations, imported files) are “All rights reserved”, unless otherwise stated. * * * OpenEdition suggests that you cite this post as follows: Johann-Mattis List (January 26, 2026). Transparent Application of Text Generation Tools in Scientific Research. _Computer-Assisted Language Comparison in Practice_. Retrieved January 26, 2026 from https://calc.hypotheses.org/9138 * * * * * * * *

In der letzten Zeit wird sehr oft vom _Halluzinieren_ gesprochen. Allerdings nicht in Bezug auf Menschen, die ja auch selten von Halluzinationen heimgesucht werden, als vielmehr in Bezug auf Sprachmodelle, die komische Antworten liefern, die keinen Sinn ergeben oder sich angebliche Fakten zusammenfabulieren, für die es keine Belege gibt. Dass es problematisch ist, dieses nicht gewünschte Verhalten von Sprachmodellen als “Halluzination” zu bezeichnen, wird in einigen Arbeiten betont. So weisen Bender und Hanna (2025) darauf hin, dass der Begriff “Halluzination” den Sprachmodellen menschliche Charakteristika unterstelle, die diese jedoch nicht aufweisen. Da Sprachmodelle aber keine Wahrnehmung haben, können sie auch nicht halluzinieren. > It matters what words we use when we talk about these technologies. For instance, in our writing, we don’t use the term “hallucination” to discuss the errors of LLMs, for two reasons. First, if it’s used tongue-in-cheek, it is making light of what can be symptoms of serious mental illness. Second, “hallucination” refers to the experience of perceiving things that aren’t there. But LLMs actually don’t have perceptions, and suggesting that they do is yet more unhelpful anthropomorphization. That means we also avoid assigning thought processes to these systems, or saying that they can “think”. (Bender und Hanna 2025: 167) Zweig (2025) argumentiert, dass der Begriff “Halluzination” nicht präzise genug ist, da Menschen, die halluzinieren, nicht zwangsläufig komische Sätze äußern, sondern Dinge wahrnehmen, die nicht der Realität entsprechen. Daher schlägt Zweig, basierend auf einem Vorschlag von McGowan et al. (2023) vor, stattdessen von _Konfabulation_ zu sprechen. > Tatsächlich hat es sich eingebürgert, bei solchen Fehlern von Sprachmodellen von Halluzinationen zu sprechen, obwohl es sich dabei um einen ungeeigneten Begriff handelt. Die Psychologin Alessia McGowan und ihre Co-Autoren weisen darauf hin, dass es bei Halluzinationen um eine Wahrnehmungsstörung geht: Halluzinationen sind als real wahrgenommene Sinneseindrücke, für die es keinen erkennbaren äußeren Reiz gibt. Die Psychologen schlagen daher den Begriff der _Konfabulation_ vor, dem Erfinden von Inhalten, die ein Patient in diesem Moment für wahr hält. (Zweig 2025: § 2) Während ich prinzipiell beiden Argumenten zustimme, scheint mir, dass beide das Problem des Konzepts der Halluzination nicht korrekt erfassen. Denn egal ob man nun von _Halluzionationen_ , _Irrtümern_ (Bender und Hanna 2025) oder _Konfabulationen_ (Zweig 2025 und McGowan et al. 2023) spricht, in allen Fällen ignoriert man das ursprüngliche Problem, welches darin besteht, dass Sprachmodelle fälschlicherweise als eine Art von “Wahrheitsmaschinen” im Sinne von Simanowski (2025) angesehen werden, die sie aber streng genommen gar nicht sein können. > Die Sprachmaschine lässt sich als “Wahrheitsmaschine” freilich nur unter verschiedenen Voraussetzungen denken, die alle nicht erfüllt sind. Denn es ist eben nur idealtypisch so, dass diese Maschine alle Daten der Welt mathematisch miteinander ins Verhältnis setzt. In der Praxis sind es bloß bestimmte Daten mit unklaren Gewichtungen. (Simanowski 2025: 92) Trotz der riesigen Datenmenge, an denen große Sprachmodelle trainiert worden sind, beruhen sie auf einem begrenzten Datensatz, in dem, was “wahr” ist oder “wahr” sein kann, nur _mittelbar_ , durch die versprachlichten Ansichten von Menschen digital verfügbar gemacht worden ist. Menschen selbst können ja in Bezug auf das, was sie für wahr und das, was sie für falsch halten, maximal unterschiedlicher Meinung sein. Auch die Wissenschaft selbst verwehrt sich ja zumindest in ihren theoretischen Grundlagen dagegen, einen Anspruch auf absolute Wahrheit oder zweifelsfreie Fakten zu erheben (Popper 1935). Es sollte daher klar sein, dass auch Chatbots – die ja nicht mehr erreichen, als menschliches Sprechverhalten geschickt zu simulieren – in Bezug auf die Inhalte, die sie produzieren, mit ziemlich schmutzigem Wasser kochen. Genauso, wie man sich die Textblasen, die einem die eigene Wohlfühlbubble in die Timeline spült, nicht ohne kritische Prüfung als vollwertige Inhalte mit plausiblen Fakten zu eigen machen sollte, sollte man auch nicht erwarten, dass ein Chatprogramm, nur weil es von einer angeblichen künstlichen Intelligenz angetrieben wird, stets unwiderlegbare Fakten produziert. Wenn wir die prinzipielle Subjektivität von Fakten, oder die prinzipielle Unmöglichkeit, das _Wahre_ vollkommen zuverlässig vom _Falschen_ zu unterscheiden, jedoch grundsätzlich anerkennen, dann hat das Konzept der Halluzination oder Konfabulation in Bezug auf die Bewertung von Chatprogrammen wenig praktischen Nutzen. Je nachdem, welche Perspektive man bei der Bewertung von generierten Texten einnimmt, könnte man nämlich entweder nahezu alles, was diese produzieren, als Halluzination bezeichnen, oder gar nichts. Man könnte das Konzept der Halluzination in Bezug auf Sprachmodelle natürlich weiter verengen, und betonen, dass es sich lediglich auf diejenigen Fälle beziehen sollte, in denen bestimmte Daten fabrizieren, wie Personen oder literarische Werke die es nachweislich nicht gibt. Dies steht jedoch nicht nur im Widerspruch zum allgemeinen Gebrauch des Wortes in vielen Sprachen, es steht auch im Widerspruch zur Technik, mit der Sprachsimulatoren betrieben werden. Denn diese Technik ist nicht auf Wahrheit und Unwahrheit oder belegbare und unbelegbare Daten ausgerichtet, sie zielt lediglich darauf ab, Sprache überzeugend zu simulieren. Aus dieser _ontologischen_ Perspektive, die sich an der Technik orientiert, mit der Chatbots betrieben werden, weist die Sprache, die diese produzieren, weder Halluzinationen, noch Konfabulationen, noch Fehler auf, da ihre Architektur Texte nicht mit der Intention produziert, dass deren Inhalte in irgendwelchen unabhängigen Daten verankert sein müssten. Sprachmodelle – zumindest diejenigen, die den populärsten Chatbots zugrunde liegen – simulieren einfach menschliche Sprache. Irgendeine Form der _Alinierung_ der generierten Sprache mit irgendwelchen wie auch immer definierten Fakten ist zumindest in der derzeit am weitesten verbreiteten Architektur nicht vorgesehen. Es scheint mir daher wenig sinnvoll, bei Sprachmodellen, die Text generieren, der mit Wahrheit oder mit Fakten, wie immer man diese definieren mag, erst mal gar nichts zu tun hat, plötzlich von “Halluzinationen” zu reden, oder diesen zu unterstellen, dass sie “konfabulieren”, wenn sie Text produzieren, der sich in den Trainingsdaten so nicht finden lässt. Immerhin ist das _Generieren_ von Text ja das Argument, das die Techkonzerne nutzen, um wahllos geistiges Eigentum von verschiedensten Urheberinnen und Urhebern stehlen zu können, ohne direkt dafür belangt zu werden. Es ist klar, dass die Konzerne, die sich an fremdem geistigen Eigentum mit ihren Chatbots bereichern wollen, ein Interesse daran haben, ihre “Sprachmaschinen” (wie Simanowski 2025 LLM-basierte Chatbots nennt) als nichtmenschliche Intelligenzen darzustellen, die ihr Wissen in digitalen Daten verankert haben. Dies ist jedoch tatsächlich nichts weiter als eine Marketinglüge. Chatprogramme fabulieren _immer_ , in vielen Fällen scheint das, was sie zusammenfabulieren, den menschlichen Kommunikationspartnern als Informationsquelle oder Quelle, die ihnen eigene Fabulierungsarbeit erspart, zu genügen. Wenn es aber einmal _nicht_ genügt, dann scheint es mir komplett falsch zu sein, von einer Halluzination oder einem Irren aufseiten der artifiziellen Antilligenz zu sprechen. Das Framing spielt eigentlich nur wieder der Marketinglüge von der rationalen, denkenden Maschine in die Hände. Ich lehne es also generell ab, bei LLM-basierten Chatprogrammen und anderen KI-Tools, wie Bildgeneratoren von Halluzinationen oder Irrtümern auf Seiten der Modelle zu sprechen. Halluzinieren zu können setzt voraus, die Welt ohne Halluzinationen wahrzunehmen. Sich in seinen Äußerungen irren zu können setzt voraus, dass man die Absicht hat, sich korrekt zu äußern. Beides trifft auf große Sprachmodelle in ihrer klassischen Architektur nicht zu. Das heißt jedoch nicht, dass ich die Möglichkeit prinzipiell ausschließe, dass man Chatbots erschaffen könnte, die halluzinieren, konfabulieren und sich irren können. Wenn es gelingen sollte, Computermodelle auf ähnliche Art in der Welt zu verankern, wie Menschen das mit ihren Sinnen tun, und wenn es gelingen sollte, Modelle zu schaffen, die tatsächliche kommunikative Absichten verfolgen, dann müsste man die Situation eventuell neu überdenken. In so einem Fall kann ich es mir aber schwer vorstellen, dass man bei Modellen, die Irrtümer begehen, überhaupt auf die Idee kommen würde, von Halluzinationen zu sprechen. Man würde vielleicht einfach sagen, dass sie nicht so gut funktionieren, wie erwartet. ## Literatur Bender, Emily M., and Alex Hanna. 2025. _The AI Con. How to Fight Big Tech’s Hype and Create the Future We Want_. New York: Harper-Collins. McGowan, Alessia, Yunlai Gui, Matthew Dobbs, Sophia Shuster, Matthew Cotter, Alexandria Selloni, Marianne Goodman, Agrima Srivastava, Guillermo A. Cecchi, and Cheryl M. Corcoran. 2023. “ChatGPT and Bard Exhibit Spontaneous Citation Fabrication During Psychiatry Literature Search.” _Psychiatry Research_ 326: 1–6. https://doi.org/10.1016/j.psychres.2023.115334. Popper, Karl. 1935. _Logik Der Forschung. Zur Erkenntnistheorie der modernen Naturwissenschaft_. Wien: Springer. Simanowski, Roberto. 2025. _Sprachmaschinen. Eine Philosophie der künstlichen Intelligenz_. München: C. H. Beck. Zweig, Katharina. 2025. _Weiß die KI, dass Sie nichts weiß? Wofür wir Chatbots und KI-Agenten nutzen sollten, wo sie sich irren und wo wir aufpassen müssen_. München: Heyne. * * * Nur der Text ist unter der Lizenz Creative Commons Namensnennung-Nicht kommerziell-Share Alike 4.0 International nutzbar. Alle anderen Elemente (Abbildungen, importierte Anhänge) sind „Alle Rechte vorbehalten“, sofern nicht anders angegeben. * * * OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren: Johann-Mattis List (11. Januar 2026). Vom Fabulieren und Halluzinieren. _Von Wörtern und Bäumen_. Abgerufen am 11. Januar 2026 von https://wub.hypotheses.org/3313 * * * * * * * *

In this study we present a preliminary conversion table that can be used for transcriptions and transliterations across different Semitic languages. We introduce the basic idea behind the table, show how it can be used, and explain how we hope to expand it in the future. ## 1 Introduction Transcription and transliteration practices vary drastically across languages, language groups, and language families (Anderson et al. 2018). As a result, it is often difficult for scholars who are new to a given linguistic area or subgroup to understand how symbols are used to represent sounds. In the following, we will give a very short overview on the transcription practices that emerged for the Semitic language family and propose a conversion table that can be used along with a dedicated software package to convert from individual transcription systems employed to document most Semitic languages to phonetic transcriptions in the International Phonetic Alphabet. ## 2 Background Semitic transcription and transliteration practices developed in nineteenth-century European scholarship, particularly within German-speaking Semitic philology. What is known as the Semitological transcription system did not emerge as a single fixed standard, but as a shared framework for representing Semitic languages such as Hebrew, Aramaic, Arabic, Akkadian, and Ethiopic in the Latin alphabet. Its primary purpose was to support comparative and historical analysis rather than to provide fine-grained phonetic detail (Weninger et al. 2011). Early Semiticists such as Wilhelm Gesenius, Heinrich Ewald, and later Theodor Nöldeke developed a set of conventions that adapted the Latin alphabet through the systematic use of diacritics and modified letters. Dots below, macrons, carons, and other special characters made it possible to represent consonantal distinctions lacking direct equivalents in European languages, most notably emphatic consonants (pharyngealized or ejective) and pharyngeals / laryngeals segments.. From the outset, these conventions were intended to encode phonological categories and historical identities rather than narrow phonetic detail. A symbol such as <ṭ>, for example, was meant to designate an emphatic /t/ as a structural category, without committing the scholar to a specific articulatory analysis such as pharyngealization or ejection (/tˤ/, /tʼ/). By the late nineteenth and early twentieth centuries, the system had become widely established in grammars, dictionaries, and epigraphic editions, with a largely shared core despite minor national variations. Within this general Semitological framework, language-specific transliteration systems were developed for individual languages and subgroups (cf. for example, Brockelmann and Ronkel 1935). Arabic studies produced influential conventions such as the DMG system and DIN 31635, while Hebrew, Ethiopic, Ethio-Semitic, and Modern South Arabian traditions adapted the same principles to their own linguistic features (vowel length and quality contrasts for Hebrew, labialized and palatalized consonants for Ethio-Semitic). In all cases, the emphasis remained on structural and historical comparability rather than phonetic precision. The strength of the Semitological system lies in this abstraction, which has ensured its long-term stability and cross-linguistic applicability and has allowed it to adapt smoothly to digital typography and Unicode. At the same time, the system has clear limitations. Its deliberate avoidance of phonetic specificity can obscure real differences in pronunciation between languages and dialects, and its categories reflect the priorities and assumptions of nineteenth-century European scholarship, which are not always aligned with modern descriptive or community-based approaches to language documentation. For phonetic analysis and fieldwork, IPA-based transcription is therefore indispensable, and the two systems are best seen as complementary rather than competing (Huehnergard and Pat-El 2019). ## 3 Materials and Methods The general idea that we have in mind is to come up with an initial orthography profile that could serve as a general basis to turn transcriptions and transliterations used in particular contexts to transcribe lexical data in Semitic languages into standardized transcriptions of the International Phonetic Alphabet, or – more specifically – the particular version of the IPA underlying the Cross-Linguistic Transcription Systems initiative Anderson et al. (2018). To achieve this conversion and to run the tests, we make use of the possibility to convert original strings written in individual transcription traditions typical for the handling of individual Semitic languages, with the help of conversion tables as introduced in the _LinSe_ software package (Forkel and List 2024, https://pypi.org/project/linse). Conversion tables in _LinSe_ build on the idea of _Orthography Profiles_ presented originally by Moran and Cysouw (2018). The differences between orthography profiles are conversion tables are mostly conceptually. Although orthography profiles _predate_ conversion tables, conversion tables can be thought of as the more abstract concept, in so far as they serve for the conversion of strings drawn from one alphabet into strings represented by different alphabets with the help of rudimentary replacement rules that are applied in a greedy fashion. Conversion tables in _LinSe_ have a very flexible format. All that one needs to create a conversion table are data in tabular form represented in CSV format. In the conversion table, one column reflects the alphabet in which the original strings are represented, and additional columns can be used to provide replacement values. When employing a conversion table, one can either simply _parse_ the original string or the original set of strings into chunks defined as graphemes in the column representing the original alphabet, or one can convert the values directly to the desired replacement values. Our initial conversion table for Semitic transliteration and transcription consists of roughly 150 graphemes, i.e., strings consisting of one or more characters, along with their most general counterpart in the B(road)IPA system of the CLTS standard for phonetic transcription based on the International Phonetic Alphabet (IPA 1999) along with the _name_ of the respective sound in the CLTS system (see https://clts.clld.org for details). In three cases, one sequence corresponds to two sounds. In these cases, the corresponding IPA sounds are separated by a white space (following the basic conventions used in software tools, such as LingPy, see List et al. 2018) and the names of the sounds are separated by a `+` symbol. The conversion table itself can be found on Codeberg (https://codeberg.org/digling/semitic-transliterations), from where it can be freely downloaded and used along with the _LinSe_ package or with other software solutions. ## 4 Examples ### 4.1 Introducing the SegmentGrouper Object in _LinSe_ A conversion table in _LinSe_ can be initiated in two major ways. One can load it from file, or one can pass it as a two-dimensional list. The following conversion table identifies `a`, `b`, `ab`, and `abab` as valid segments of a sequence and will group them together in a greedy fashion, if it identifies them in a string. By calling the function with a string as an argument, the instantiated SegmentGrouper will split the input string into chunks recognized from the alphabet. >>> from linse.convert import SegmentGrouper >>> sg = SegmentGrouper.from_table([["Sequence"], ["a"], ["b"], ["ab"], ["abab"]]) >>> sg("aba") ["ab", "a"] When instantiating the SegmentGrouper with an additional column, this column can serve as the replacement table. To convert a sequence into another sequence, one must pass the name of the column as argument when calling the function. >>> sg = SegmentGrouper.from_table([["Sequence", "Out"], ["a", "A"], ["b", "B"], ["ab", "C"], ["abab", "D"]]) >>> sg("aab", column="Out") ["A", "C"] ### 4.2 Employing the SegmentGrouper on Semitic Data The initial conversion table is supplemented with this study in the form of a CSV file that can be downloaded from Codeberg (https://codeberg.org/digling/semitic-transliterations). From there, one can either directly download the file `semct.csv` or clone the repository. In the following, we show how it can be used to retrieve IPA transcriptions from the transliteration of Arabic numerals from one to five. We assume that the terminal is opened in the same folder in which the file resides. from linse.convert import SegmentGrouper from tabulate import tabulate sg = SegmentGrouper.from_file('semct.csv', delimiter=",") # words are taken from # https://en.wiktionary.org/wiki/Appendix:Arabic_Swadesh_list words = ["wāḥid", "ʾiṯnān", "ṯalāṯa", "ʾarbaʿa", "ḵamsa"] for word in words: table += [[" ".join(sg(w)), " ".join(sg(w, column="IPA"))]] print(tabulate(table, tablefmt="pipe", headers=["Original", "IPA"])) This code produces the results shown in Table 1. While it is clear that there are quite a few different ways how these could have been achieved, we think that conversion tables offer a particular simple way to get started with sequence manipulation, especially also because they can be easily tested and expanded. **Table 1:** Result of the sequence conversion routine of Arabic numerals from one to five. Original | IPA ---|--- w ā ḥ i d | w aː ħ i d ʾ i ṯ n ā n | ʔ i θ n aː n ṯ a l ā ṯ a | θ a l aː θ a ʾ a r b a ʿ a | ʔ a r b a ʕ a ḵ a m s a | x a m s a ## 5 Conclusion We do not think that this initial conversion table is correct in all cases, nor do expect it to serve as a competitor for targeted conversion tools for individual languages, such as PanPhon (Mortensen et al. 2016). However, we take the table as a hopefully useful starting point from which we intent to see if we can start to populate a larger collection of etymologies in Semitic languages that we want to investigate in more detail along with their phonetic representations. ## References Anderson, Cormac, Tiago Tresoldi, Thiago Costa Chacon, Anne-Maria Fehn, Mary Walworth, Robert Forkel, and Johann-Mattis List. 2018. “A Cross-Linguistic Database of Phonetic Transcription Systems.” _Yearbook of the Poznań Linguistic Meeting_ 4 (1): 21–53. https://doi.org/10.2478/yplm-2018-0002. Brockelmann, Carl, and Philippus Samuel van Ronkel. 1935. _Die Transliteration Der Arabischen Schrift in Ihrer Anwendung Auf Die Hauptliteratursprachen Der Islamischen Welt: Denkschrift Dem 19. Internationalen Orientalistenkongreß in Rom_. Leipzig: Deutsche Morgenländische Gesellschaft. Forkel, Robert, and Johann-Mattis List. 2024. “A New Python Library for the Manipulation and Annotation of Linguistic Sequences.” _Computer-Assisted Language Comparison in Practice_ 7 (1): 17–23. https://doi.org/10.15475/calcip.2024.1.3. Huehnergard, John, and Na‘ama Pat-El, eds. 2019. The Semitic Languages. 2nd ed. Abingdon and New York: Routledge. IPA, ed. 1999. _Handbook of the International Phonetic Association: A Guide to the Use of the International Phonetic Alphabet_. Cambridge: Cambridge University Press. List, Johann-Mattis, Cormac Anderson, Tiago Tresoldi, and Robert Forkel. 2021. _Cross-Linguistic Transcription Systems. Version 2.1.0_. Jena: Max Planck Institute for the Science of Human History. https://doi.org/10.5281/zenodo.3515744. List, Johann-Mattis, Mary Walworth, Simon J. Greenhill, Tiago Tresoldi, and Robert Forkel. 2018. “Sequence Comparison in Computational Historical Linguistics.” _Journal of Language Evolution_ 3 (2): 130–44. https://doi.org/10.1093/jole/lzy006. Moran, Steven, and Michael Cysouw. 2018. _The Unicode Cookbook for Linguists: Managing Writing Systems Using Orthography Profiles_. Berlin: Language Science Press. https://langsci-press.org/catalog/book/176. Mortensen, David R., Patrick Littell, Akash Bharadwaj, Kartik Goyal, Chris Dyer, and Lori S. Levin. 2016. “PanPhon: A Resource for Mapping IPA Segments to Articulatory Feature Vectors.” In _Proceedings of COLING 2016, the 26th International Conference on Computational Linguistics: Technical Papers_ , 3475–84. ACL. Weninger, Stefan, ed. 2011. The Semitic Languages: An International Handbook. With Geoffrey Khan, Michael P. Streck, and Janet C. E. Watson. Berlin/Boston: Walter de Gruyter. **Cite this article as:** Meloni, Carlo and List, Johann-Mattis (2025): “Towards a unified conversion table for semitic transcriptions and transliterations” in _Computer-Assisted Language Comparison in Practice_ , 8.2: 107-112 [first published on 17/12/2025], URL: https://calc.hypotheses.org/9109, DOI: 10.15475/calcip.2025.2.6. **Download the article as PDF:** calcip-08-2-6.pdf **Copyright information** : This is an open access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited. **Funding Information** : This project has received funding from the European Research Council (ERC) under the European Union’s Horizon Europe research and innovation programme (Grant agreement No. 101044282). The funders had no role in study design, data collection and analysis, decision to publish, or preparation of the manuscript. **Supplementary Materials:** Data and code can be found at https://codeberg.org/digling/semitic-transliterations. * * * OpenEdition suggests that you cite this post as follows: Carlo Meloni, Johann-Mattis List (December 17, 2025). Towards a Unified Conversion Table for Semitic Transcriptions and Transliterations. _Computer-Assisted Language Comparison in Practice_. Retrieved December 17, 2025 from https://calc.hypotheses.org/9109 * * * * * * * *

Die Evolution ist faszinierend, bringt sie doch die schillerndsten Formen und Strukturen in Leben und Kultur hervor. Dabei gibt es jedoch auch immer wieder Aspekte von Vielfalt, die kaum einen zu interessieren scheinen. Zu diesen gehören auch die _Passwörter_ , die wir verwenden, um unsere Zugänge zu den sozialen Medien oder diversen anderen Konten, die vom Onlinebanking bis zum Emailprovider reichen, davor zu schützen, von Hackern gehackt und missbraucht zu werden. Während man diese vereinfachend als ein lästiges Nebenprodukt der menschlichen Existenz ansehen könnte, verbirgt sich in der Vielfalt und den Formen, in denen sie sich äußern, doch eine ganz spezifische, schillernde und auch unheimlich faszinierende Dynamik geistigen Schaffens, die bisher viel zu wenig wissenschaftliche Beachtung erhalten hat. Denn während sich die Wissenschaft in kleinkarierten Diskussionen über die Bedeutung von Impfungen für die menschliche Gesundheit oder die Möglichkeit und Unmöglichkeit von Laborursprüngen weltweiter Pandemien verliert, können wir genau während ich diese Zeilen hier schreibe, beobachten, wie mehr und mehr altgediente Passwörter in ihrer Existenz bedroht und von gemeinen Netzadministratoren zum Abschuss freigegeben werden. Dabei geht es nicht nur um konkrete Vertreter leicht memorisierbarer Standardpasswörter wie _12345_ , _password_ , oder _admin_ , die uns lange immens wichtige Dienste erwiesen haben. Auch _strukturelle Methoden_ zur Passwortgeneration, wie die Verwendung des Namens von Ehepartnern, Geburtsorten, Jugendlieben, oder Lieblingstieren, werden mehr und mehr von der Flut bedeutungsloser Passworthülsen verdrängt. Man kann sagen, dass bedeutungstragende Passwörter _an sich_ gefährdet sind. Die Passwörter von morgen sollen mit uns selbst nur noch so wenig wie möglich zu tun haben (Rentrop 2021). Wir sollen ihre Verwaltung kalten Passwortmanagern überlassen, denen es einzig und allein um _Sicherheit_ geht, während alles kulturell Erhabene, was unsere Passwortwahl als Ausdruck menschlichen Menschseins in aller Fehlbarkeit bisher bestimmt hat, dem schnöden Algorithmus untergeordnet oder gleich von sogenannten _alternativen_ Authentifizierungsmethoden ersetzt werden soll. Dazu kommt, dass wir Gefahr laufen, von bösartigen Hackern und Sicherheitsexperten öffentlich beschämt zu werden, wenn wir uns dem allgemeinen Diversitätstrend widersetzen, der von uns verlangt, ein einziges, leicht merkbares und leicht tippbares Passwort für mehrere Accounts zu verwenden (Reddig 2025). Hätte ich nicht kürzlich einen Aufwärtstrend bei der Bahn festgestellt, die auf dem Hinweg noch 2 Stunden Verspätung hatte, auf dem Rückweg aber bereits fast pünktlich war, wäre ich wohl schon komplett an unserer Gesellschaft verzweifelt. Die einzige Hoffnung, die ich jetzt noch habe, ist, dass die amerikanische Regierung uns aus der Patsche hilft und die bewusste Auschlöschung des verborgenen Kulturgutes, welches unsere Passwörter für eine Vielzahl von Menschen noch immer darstellen, verhindert. Genauso, wie sie uns helfen möchte, unsere Digitalregeln in Europa _ausgewogen_ zu gestalten (Ernst 2025), sollte sie uns auch helfen, dem schrecklichen Diversitätszwang bei Passwörtern zu entgehen. Unsere Freiheitsrechte dürfen auch hier nicht weiter von den Eliten aus Bürokratie und Wissenschaft beschnitten werden! ## Literatur Ernst, Nico. 2025. “US-Handelsminister: Zolldeal Für ,,Ausgewogene” Digitalregeln.” _Heise Online_ 2025 (11-24). https://www.heise.de/-11090223. Reddig, Sophia. 2025. “Hälfte Der Internetnutzer Verwendet Passwörter Mehrfach.” _ZEIT Online_ 2025 (04-25). https://www.zeit.de/digital/2025-04/login-passwoerter-login-umfrage-risiko. Rentrop, Christian. 2021. “Passwort-Manager: Tipps Und Tools Für Die Passwortverwaltung.” _Heise Online_ 2021 (05-06). https://www.heise.de/download/specials/Passwort-Manager-Tipps-Tools-fuer-die-Passwort-Verwaltung-6033009. * * * OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren: Johann-Mattis List (25. November 2025). Von bedrohten Spielarten der Kultur. _Von Wörtern und Bäumen_. Abgerufen am 25. November 2025 von https://wub.hypotheses.org/3086 * * * * * * * *

Multilingual lexical data is typically stored in a wide variety of forms, based on many idiosyncratic decisions that vary from dataset to dataset. Here, a simple but efficient solution for the manipulation of lexical data in multilingual wordlists will be introduced. This solution, the PyLexibank FormSpec, was originall developed for the conversion of various kinds of lexical data to Cross-Linguistic Data Formats, but it can also be used as a standalone. This study offers a basic tutorial that illustrates how the FormSpec can be put to concrete use. ## 1 Introduction When working with lexical data in multilingual settings, one encounters a huge variety of ways in which similar kinds of information about lexical forms are encoded. While handling such cases may often require targeted solutions that may in the worst case consist in manual corrections of individual data points, our work with the Lexibank repository (List et al. 2022) has also allowed us to detect certain recurring idiosyncracies in lexical data that can be handled with unified approaches. These approaches have been integrated into the PyLexibank software package (Forkel et al. 2021) and provide important help in converting various kinds of cross-linguistic data with lexical forms to Cross-Linguistic Data Formats (Forkel et al. 2018). In this small study, I will introduce one particular solution that deals with lexical forms before their conversion to phonetic transcriptions. This solutions, as simple as it may seem, has helped us a lot in constructing the Lexibank repository that by now aggregates standardized data from more than 120 different datasets (Blum et al. 2025). ## 2 Background While the basic information that scholars want to provide in a dictionary or a wordlist can be described in pretty simple and straightforward terms, the techniques that scholars use in order to _mark_ this kind of information in concrete datasets vary greatly. While the major information that we need to provide when listing word forms in a given language consists in a triple of _language_ , _form_ , and _meaning_ (List 2014; Gévaudan 2007), linguistic practice adds various forms of complexity and inconsistency to this triple structure. Language names are rarely used in a standardized form, making it at times difficult to identify the varieties in question. Short glosses used to represent meanings are often highly idiosyncratic and can at times only be understood from the larger context of the concept list in which they are assembled (List, Cysouw, and Forkel 2016). Forms are given in a mix of transcriptions, orthographic information, often expanded by additional information that can often only be understood when taking detailed contextual information into account. As an example, consider cases where data are given in tabular form, where columns represent languages and rows represent meanings, and word forms are placed into the respective cells. This format can be found in numerous publications and is considered some kind of a standard among many linguists. The problem of the format is, that it invites inconsistencies regarding the representation of the lexical forms. These inconsistencies surface in numerous occasions. Thus, if more than one word is found to express a given meaning in a given language, scholars use various ways to code for this, using characters like comman, semicolon, or slash as a delimiter when listing multipel word forms, with many datasets using different delimiters without any clear semantics attached to them. Another problem consists in the use of brackets, which are also used in multiple variants, ranging from square brackets over normal brackets to curly braces. Here again, semantics of bracket use are rarely consistent, ranging from reading variants over pronunciation differences to metainformation that relates to the language or the concept in question rather than to the word form itself. An additional problem consists in the explicit marking of missing data, which varies also greatly, ranging from empty cells over dashes invarious forms to explicit entries, such as “no data” or “missing entry”. While inconsistencies may seem to be unproblematic when inspecting data directly by eyeballing them, they may cause huge problems when trying to digest data with the computer. If missing data is marked by an entry “no entry”, for example, it can easily occur that this entry will make its way into the final database, leading to the false impression that the word for “apple” in some language variety is “no entry” instead of being simply missing from the record. The problems arising from variation in lexical entries in cross-linguistic datasets may not only sound funny but also evitable. One would expect computationally versed people to be able to spot or predict such problems when trying to convert a dataset to some standardized format. When dealing with idiosyncrasies of individual data, however, it is helpful to make use of some standardized routines that help to solve problems that often recur across different datasets in a unified way. ## 3 Getting Started with the PyLexibank FormSpec When developing the framework that would later be used to feed the Lexibank repository with data (Blum et al. 2025; List et al. 2022), we started out with individual solutions to deal with inconsistencies in lexical entries. Lexical entries were thus dealt with on a case-to-case basis, using standard routines for text manipulation offered by Python. When adding more data, however, we began to realize that certain problems with lexical forms would recur with a certain regularity. Entries for missing data would be marked idiosyncratically, multiple forms within the same cell would be separated with different separation symbols, and brackets would force us to apply at times quite complex regular expressions. In order to address these problems, a new functionality to handle lexical forms flexibly in a unified way was added to PyLexibank (Forkel et al. 2021), the library that we used to convert data that we would obtain in raw form from published resources into Cross-Linguistic Data Formats (Forkel et al. 2018). This _FormSpec_ , as it is called in PyLexibank, addresses the three major problems summarized above. It deals with brackets (preferably removing everything that is inside a bracket, given that both additional morphemes and metainformation can both not be reliably interpreted when standardizing a form entry). It deals with separators used to describe several variants within the same cell of a data entry. Finally, it also deals with missing data, allowing users to provide a list of the symbol combinations used to indicate that a cell contains _no_ data. Additionally, the FormSpec provides some basic _cleaning operations_ of lexical forms, stripping certain characters from the form and applying standard Unicode normalization (Moran and Cysouw 2018: 17). While the _FormSpec_ is automatically applied whenever you use CLDFBench (Forkel and List 2020) and PyLexibank to create a CLDF dataset, you can also test its functionality directly in an interactive Python session. In order to get started, all you need is a fresh installation of the PyLexibank package, which you can easily obtain with the help of the Python package index `pip`. $ pip install pylexibank Equipped in this form, all you need to load the _FormSpec_ is to import it from your interactive Python session or from within a Python script. from pylexibank import FormSpec In order to _use_ the _FormSpec_ , you must _initialize_ it first. This means, you predefine its behavior in cleaning a given lexical form. The call signature of the class is as shown below. class FormSpec(builtins.object) | FormSpec( | brackets={'(': ')'}, | separators=(';', '/', ','), | missing_data=('?', '-'), | strip_inside_brackets=True, | replacements=NOTHING, | first_form_only=False, | normalize_whitespace=True, | normalize_unicode=None | ) -> None We define pairs of brackets by means of a dictionary in which the key is the opening bracket and the value is the closing bracket. This would not work with cases where a bracket is defined by the same start and end symbol, but our experience shows that most datasets would use traditional brackets for which start and end symbols are defined. The separators handle multiple forms for the same concept. Missing data are passed as a list (or more strictly speaking, a tuple, according to the call, but a list will also be accepted). If the option `strip_inside_brackets` is set to `True`, this means that the algorithm deletes content inside brackets. With respect to the order of execution, note that in cases where a separator, used as a separator of multiple word forms, is also passed inside a bracket, the algorithm would not split the text at this point, but first identify the brackets in the text and then apply the segmentation operation. The option `first_form_only` will yield only the first form of multiple potential forms, when set to `True`. Normalization can be done with respect to whitespace (deleting and unifying whitespace) and Unicode (where one would have to choose between `NFD` and `NFC`). The option `replacements` allows to define a list consisting of tuples of source-target strings, where the source string is what will be replaced and the target string is the replacement. Having initialized the _FormSpec_ by calling the class with particular parameters, one can use it by calling its `split`-method with two arguments, the first argument being always `None` when using it outside the context of CLDFBench, while the second argument is the string one wants to manipulate. This is illustrated in the following example. >>> fs = FormSpec() >>> for form in fs.split(None, "this, is; a (form)"): ... print(form) this is a ## 4 Usage Examples When dealing with the _FormSpec_ , it is important to be aware about the order by which actions are carried out when using the functionality. In the following, we will go through some examples that illustrate basic use-cases. We start with the handling of brackets, which are – as I mentioned before – defined as a dictionary (opening bracket as a key, closing bracket as the value). This allows us to define all kinds of potentially strange brackets that could occur in one’s data. >>> fs = FormSpec(brackets={"<": ">", "{": "}"}) >>> fs.split(None, "this <really?>, is, an {example}") ['this', 'is', 'an'] The `missing_data` argument allows you to specify any string that could occur as missing data. The _FormSpec_ generally assumes that whitespace to the left or the right of the string will be stripped. >>> fs = FormSpec(missing_data=("???", "?")) >>> fs.split(None, "???, really,?, ") ['really'] For separators, there is a particular restriction that only single-character strings can be used as a separator. Thus, passing a string of more than one character will throw an error. Depending on the data, however, one can find workarounds that would nevertheless allow us to separate even strings where multiple characters have been used as a separator. As an example, consider the following output, where three slashes have been used as a separator. >>> fs = FormSpec(separators=(',', ';', '/')) >>> fs.split(None, "hallo /// welt / hier / bin //// ich") ['hallo', 'welt', 'hier', 'bin', 'ich'] According to the way in which _FormSpec_ works, the internal splitting process will only return those forms that consist of at least one character that is not a whitespace character. The _FormSpec_ splits the string in the example into 10 different forms, but only five are returned, since they are note empty. If you want to use the option to replace strings by other strings during the form conversion with the _FormSpec_ , it is important to keep in mind that the replacement is carried out _after_ all splitting operations have been carried out. This limits the possibilities of application, on the one hand, but it also reduces complexity, since the replacements are quite restricted and they do not interfere with the process of splitting a string into several forms. As an example, consider the following lines, where the replacement of the string `/x/` to the string `/` is not carried out, given that `/` is also defined as a character that triggers the string to be split into parts. >>> fs = FormSpec(separators=(',', ';', '/'), replacements=[('/x/', '/')]) >>> fs.split(None, "hallo /// welt / hier / bin /x/ ich") ['hallo', 'welt', 'hier', 'bin', 'x', 'ich'] ## 5 Outlook Although the _FormSpec_ is based on a limited number of options, the functionality has proven very useful in practice, especially when populating the Lexibank repository (Blum et al. 2025). It seems that the decision to limit the scope of the method to a very dedicated range of options, deciding, among others, against the possibility to apply regular expressions, was helpful, given that the results triggered by the current _FormSpec_ can still be easily understood when considering input and output strings. With more complex operations, we would quickly loose the possibility to trace individual decisions made in the code we used to convert raw data into standardized CLDF data points. ## References Blum, Frederic, Carlos Barrientos, Johannes Englisch, Robert Forkel, Simon J. Greenhill, Christoph Rzymski, and Johann-Mattis List. 2025. “Lexibank 2: Pre-Computed Features for Large-Scale Lexical Data [version 2; peer review: 3 approved].” _Open Research Europe_ 5 (126): 1–24. https://doi.org/https://doi.org/10.12688/openreseurope.20216.2. Forkel, Robert, Simon J Greenhill, Hans-Jörg Bibiko, Christoph Rzymski, Tiago Tresoldi, and Johann-Mattis List. 2021. _PyLexibank. The Python Curation Library for Lexibank [Software Library, Version 2.8.2]_. Geneva: Zenodo. https://doi.org/10.5281/zenodo.2630582. Forkel, Robert, and Johann-Mattis List. 2020. “CLDFBench. Give Your Cross-Linguistic Data a Lift.” In _Proceedings of the Twelfth International Conference on Language Resources and Evaluation_ , 6997–7004. Luxembourg: European Language Resources Association (ELRA). http://www.lrec-conf.org/proceedings/lrec2020/pdf/2020.lrec-1.864.pdf. Forkel, Robert, Johann-Mattis List, Simon J. Greenhill, Christoph Rzymski, Sebastian Bank, Michael Cysouw, Harald Hammarström, Martin Haspelmath, Gereon A. Kaiping, and Russell D. Gray. 2018. “Cross-Linguistic Data Formats, Advancing Data Sharing and Re-Use in Comparative Linguistics.” _Scientific Data_ 5 (180205): 1–10. https://doi.org/10.1038/sdata.2018.205. Gévaudan, Paul. 2007. _Typologie Des Lexikalischen Wandels: Bedeutungswandel, Wortbildung Und Entlehnung Am Beispiel Der Romanischen Sprachen_. Tübingen: Stauffenburg. List, Johann-Mattis. 2014. _Sequence Comparison in Historical Linguistics_. Düsseldorf: Düsseldorf University Press. https://doi.org/10.1515/9783110720082. List, Johann-Mattis, Michael Cysouw, and Robert Forkel. 2016. “Concepticon. A Resource for the Linking of Concept Lists.” In _Proceedings of the Tenth International Conference on Language Resources and Evaluation_ , edited by Nicoletta Calzolari (Conference Chair), Khalid Choukri, Thierry Declerck, Marko Grobelnik, Bente Maegaard, Joseph Mariani, Asuncion Moreno, Jan Odijk, and Stelios Piperidis, 2393–2400. Luxembourg: European Language Resources Association (ELRA). https://aclanthology.org/L16-1379/. List, Johann-Mattis, Robert Forkel, Simon J. Greenhill, Christoph Rzymski, Johannes Englisch, and Russell D. Gray. 2022. “Lexibank, a Public Repository of Standardized Wordlists with Computed Phonological and Lexical Features.” _Scientific Data_ 9 (316): 1–31. https://doi.org/10.1038/s41597-022-01432-0. Moran, Steven, and Michael Cysouw. 2018. _The Unicode Cookbook for Linguists: Managing Writing Systems Using Orthography Profiles_. Berlin: Language Science Press. https://langsci-press.org/catalog/book/176. **Cite this article as:** List, Johann-Mattis (2025): “Manipulating Lexical Forms with the PyLexibank FormSpec” in _Computer-Assisted Language Comparison in Practice_ , 8.2: 87-93 [first published on 28/10/2025], URL: https://calc.hypotheses.org/8877, DOI: 10.15475/calcip.2025.2.4. **Download the article as PDF:** calcip-08-2-4.pdf **Copyright information** : This is an open access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited. **Funding Information** : This project has received funding from the European Research Council (ERC) under the European Union’s Horizon Europe research and innovation programme (Grant agreement No. 101044282). The funders had no role in study design, data collection and analysis, decision to publish, or preparation of the manuscript. * * * OpenEdition suggests that you cite this post as follows: Johann-Mattis List (October 27, 2025). Manipulating Lexical Forms with the PyLexibank FormSpec. _Computer-Assisted Language Comparison in Practice_. Retrieved October 27, 2025 from https://calc.hypotheses.org/8877 * * * * * * * *

In einem Touché-Comic, den die TAZ auf Bluesky vor ein paar Tagen teilte, wird ein älterer Herr im Schlafanzug von zwei älteren Damen, die an seiner Tür klingeln, zu früher Uhrzeit geweckt. Als er sich beschwert und fragt, ob die beiden denn wüssten, wie spät es eigentlich sei, antwortet die eine “Empfundene Uhrzeit: 4 Uhr und 15 Minuten”. Unabhängig davon, wie witzig ich den Comic fand, fühlte ich mich sofort an eine Diskussion erinnert, auf die ich in den letzten Wochen gestoßen bin. Es geht dabei um das Thema “gefühlte Inflation”, von dem ich in einigen Zeitungsartikeln lesen konnte. Bei der gefühlten Inflation geht es darum, dass viele Menschen aufgrund ihrer persönlichen Erfahrung, die – wenn ich meine eigene Erfahrung zugrunde lege – vorwiegend in Supermärkten stattfindet, davon ausgehen, dass wir immer noch sehr hohe Inflationsraten in Deutschland haben. Dem widersprechen aber die offiziell vom Statistischen Bundesamt erhobenen Daten, welche eine relativ geringe Inflation von 2,4 % im September ausweisen. Um die Diskrepanz zwischen den Ansichten vieler Verbraucher und den gemessenen Zahlen zu erklären, greifen Ökonomen nun auf das Konzept der _gefühlten Inflation_ zurück. Die Grundidee ist ähnlich der gefühlten Temperatur oder der empfundenen Uhrzeit. Was ein Individuum empfindet kann nach oben oder unten abweichen, von dem, was man offiziell messen kann. Das gilt dann entsprechend auch für die Inflation. Während diese Idee auf den ersten Blick plausibel klingen mag, hat sie mir bereits beim ersten Mal, als ich von ihr las (Zydra 2025a), einen komischen Nachgeschmack hinterlassen. Das Problem besteht für mich in der Annahme dass man die Diskrepanz zwischen der offiziell gemessenen Inflation und der Inflation, die Verbraucher wahrnehmen, wenn sie bestimmte Produkte kaufen, als eine Diskrepanz zwischen einer _echten_ Messung der Inflation und einer _falschen_ durch individuelle Verbraucher darstellen kann. Diese Haltung, die vor allem auch durch den Terminus “gefühlte Inflation” und seine Gleichsetzung mit anderen “gefühlten” Messwerten, suggeriert, dass es sich bei der Inflation um etwas handelt, was sich – ähnlich wie die Temperatur – weitestgehend objektiv messen lässt. Dies ist jedoch definitiv nicht der Fall, denn bei der Inflation handelt es sich – im Gegensatz zur Temperatur, bei der die Menschheit über sehr konsistente und stabile Messverfahren verfügt – um ein wissenschaftliches _Konstrukt_ , also ein Narrativ, das wir aufbauen, um auf Phänomene zu verweisen, die sich unserer unmittelbaren Beobachtung entziehen. Ein Konstrukt ist also die “fiction or story put forward by a theorist to make sense of a phenomenon” (Statt 1998[1981]: 67). Wie bei allen Konstrukten sind wir Menschen uns weitestgehend einig, dass es bei den Preisen in Volkswirtschaften allgemeine Tendenzen nach oben oder nach unten geben kann, die dann beim Anstieg von Preisen normalerweise _Inflation_ genannt werden und beim Fallen von Preisen _Deflation_. Wie _genau_ wir das Steigen und Fallen von Preisen aber von uns _gemessen_ werden kann, ist eine ganz andere Frage, die unter Wissenschaftlern durchaus kontrovers diskutiert wird. Das Statistische Bundesamt setzt nun ein spezifisches Verfahren an, mit dessen Hilfe das spezifische Konstrukt der Inflation, welches für das Statistische Bundesamt von Interesse ist, zu messen. Dieses Verfahren ähnelt den Verfahren, die auch zur Messung der Inflation in anderen Ländern verwendet werden. Es handelt sich aber dabei nicht um ein normiertes Vorgehen, welches international von allen Staaten als solches verwendet wird. Dies wäre auch sehr umständlich, da sich die Produkte, die wir konsumieren, ja in unterschiedlichen Ländern zwangsläufig voneinander unterscheiden. Da man nicht alle Preise zu jedem Zeitpunkt messen kann, wird also bei der Bestimmung der Inflation in Deutschland von diesem fiktiven Warenkorb ausgegangen, der verschiedenste Produkte in verschiedensten Kategorieren enthält. Von diesem Warenkorb habe ich selbst das erste Mal in der Schule gehört, ohne groß zu verstehen, worum es sich dabei handelt. Ich hatte mir immer einen richtigen Korb vorgestellt, in den man Äpfel und Birnen hineinlegt. Es ist aber viel besser – das hatten mir meine Lehrer damals verschwiegen – wenn man sich diesen Warenkorb als einfache Tabelle vorstellt, die verschiedenste Produkte enthält, die wiederum unterschiedlichen Kategorien zugeordnet sind. Das Resultat dieses Versuchs, die komplexe Realität von 80 Millionen Menschen zu beschreiben, ist die Unterschiedung von 650 verschiedenen _Güterarten_ , die weiter differenziert werden in unterschiedliche konkrete Produkte, und die darüber hinaus _gewichtet_ werden, was dadurch begründet wird, dass Haushalte ja unterschiedlich viel Geld für unterschiedliche Produkte ausgeben, die sie zum Leben brauchen (Böhl 2022). Da wir heute andere Dinge kaufen, als noch vor 50 Jahren, muss der Warenkorb beständig angepasst werden, was auch die Anpassung der Gewichte betrifft. So werden die Produkte regelmäßig angepasst und die Gewichtungen alle fünf Jahre (Böhl 2022). Was mich an dem Verfahren allerdings erstaunt ist, dass es ohne direkte Evaluierung der Messung abläuft. Während wir beim Messen der Temperatur eine mechanische Komponente haben, die Temperatur in den Thermometern, die wir im Alltag nutzen, aus der Ausdehnung von Materie ableitet, hängt die Messung der Inflation von den Entscheidungen ab, die wir treffen, um den Warenkorb zu erstellen und seine Gewichtung festzulegen. Das macht es grundsätzlich schwierig, die _Qualität_ oder _Messgenauigkeit_ des Verfahrens festzulegen. Denn die Frage, die man sich dabei stellen muss, ist ja, _was_ man eigentlich messen will, und _was_ genauer gemessen wird, wenn man Dinge an der Messung ändert. Die Messung der Inflation dient ja – wenn ich das richtig verstehe – vor allem dazu, die fiskalische Politik der Zentralbanken zu unterstützen. Die wollen ja eine zu hohe Inflation verhindern, aber eben auch dafür sorgen, dass es nicht am Ende zu einer Deflation kommt, welche genauso wie eine hohe Inflation problematische Auswirkungen auf das Wohlbefinden der Menschen haben kann. Wenn es aber – wie wir das im Moment wohl beobachten können – zu einer Situation kommt, in der Preise in bestimmten Güterklassen auf einem hohen Niveau weiterwachsen (wofür ich direkte Evidenz gesammelt habe, da ich mir über lange Zeit angewöhnt habe, die Preise von Produkten, die ich regelmäßig konsumiere und einkaufe, einzuprägen), während andere Preise relativ stabil bleiben, dann kommen wir zu einer Situation, in der unser wissenschaftliches Konstrukt von einer _einheitlichen_ Inflation an seine Grenzen gerät. Genau wie bei allen wissenschaftlichen Modellen, reduziert auch das Modell, welches wir von der Inflation haben, die Komplexität der Realität. Dies ist an sich kein Problem, solange das Modell _nützlich_ bleibt, um die Phänomene zu beschreiben, die uns interessieren (vgl. Roller 2024 zur Rolle, die Pragmatik bei Modellen in der Wissenschaft spielt). Wenn wir sagen, dass uns nur der Durschnitt der Preisanstige interessiert, kann man ohne Probleme weiter mit den Zahlen des Statistischen Bundesamtes arbeiten. Wenn man sich aber dafür interessiert, warum die Lebensmittelpreise rasant weitersteigen, während die restlichen Preise nur moderat ansteigen, dann muss man auf ein anderes Modell zurückgreifen, mit dem man das Konstrukt der Inflation genauer messen kann. Man könnte zum Beispiel sagen, dass die Messung der Inflation im Einklang mit der gefühlten Inflation möglichst vieler Menschen sein sollte. Um dies zu erreichen, müsste man Umfragen durchführen, unter unterschiedlichen Vertretern der Bevölkerung, und überprüfen, wofür die ihr Geld jeweils ausgeben. Dies würde auch zeigen, dass ein einheitlicher Gewichtungsfaktor in einer Situation wo eine Güterklasse einen starken Preisanstieg verzeichnet, während die Preise anderer Güterklassen sich nicht so stark verändern, vielleicht gar nicht so sinnvoll ist. Stattdessen könnte man, basierend auf Einkommensklassen, welche Teile der Bevölkerung von partiellen Preisanstiegen besonders betroffen sind. Ich bin kein Ökonom und auch kein Wirtschaftspolitiker. Daher werde ich mich nicht weiter in eine mögliche Debatte über die beste Methode, die Inflation zu messen, vertiefen. Als Wissenschaftler, der sich leidenschaftlich mit wissenschaftlichen Methoden beschäftigt, denke ich aber, dass es problematisch ist, die gefühlte Inflation als eine Fiktion abzutun und gleichzeitig das Konstrukt der Inflation, welches von dem Statistischen Bundesamt gemessen wird, mit der Realität gleichzusetzen (vgl. die Aussagen von Matthias Diermeier im Interview mit der SZ, Zydra 2025b). Denn ganz egal wie feingliedrig die Methoden sind, die vom Statistischen Bundesamt zur Messung der Inflation herangezogen werden: solange sich die Inflation nicht direkt beobachten lässt (und das wird so schnell nicht geschehen), wird man immer nur das Konstrukt messen können, und dieses ist ein hilfreiches Modell der Realität, es ist aber nicht mit der Realität gleichzusetzen. Man kann meine Kritik als sehr spitzfindig abtun, ich denke jedoch, dass die Wissenschaft in der Pflicht ist, nicht nur ihre Erkenntnisse zu kommunizieren, sondern auch die Grenzen dessen, was sich ohne Zweifel wissenschaftlich nachweisen lässt. Dass nicht nur die offiziell gemessene Inflation wissenschaftlich oder volkswirtschaftliche interessant ist, sondern auch welche Auswirkungen Preisveränderungen von bestimmten Produktklassen auf bestimmte Haushalte haben, wird von der Wissenschaft nicht umsonst als solches anerkannt und untersucht (Jungermann et al. 2007). Die starke Vereinfachung, welche das Gleichsetzen von gefühlter Inflation mit einer realitätsfernen Fiktion von Individuen mit sich bringt, ist eine Form der Reduktion, die sich die Wissenschaft nicht erlauben kann. Auch wenn es uns manchmal umständlich zu sein scheinen mag, sollten wir uns als Wissenschaftler immer die Zeit nehmen, sauber zwischen Realität und Modell zu unterscheiden. ## Literatur Böhl, Lukas (2022): Warenkorb zur Berechnung der Inflation._Stuttgarter Nachrichten_ 76 (4.19). https://www.stuttgarter-nachrichten.de/inhalt.warenkorb-inflation-mhsd.b706e3ec-56a5-4bab-9305-ed5cbd68cb02.html. Jungermann, Helmut, Hans Wolfgang Brachinger, Julia Belting, Katarzyna Grinberg, und Elisabeth Zacharias (2007): The Euro changeover and the factors influencing perceived inflation._Journal of Consumer Policy_ 30 (4): 405–419. https://doi.org/10.1007/s10603-007-9051-4. Roller, Ramona (2024): Modell [Version 2.0]. In: _Begriffe der Digital Humanities. Ein diskursives Glossar_ , edited by AG Digital Humanities Theorie des Verbandes Digital Humanities im deutschsprachigen Raum e. V., 1–12. Wolfenbüttel: Zeitschrift für digitale Geisteswissenschaften. https://doi.org/10.17175/WP_2023_009_v2. Statt, David A, ed. (1998[1981]): _Consise Dictionary of Psychology_. 3rd ed. London; New York: Routledge. Zydra, Markus (2025a): Niedrige Inflation, hohe Preise._Süddeutsche Zeitung_ 80 (3317692). https://www.sz.de/li.3317692. Zydra, Markus (2025b): “Bei der AfD stimmen neun von zehn Leuten der Aussage zu, dass die Inflation höher ist als die offiziell gemessene”._Süddeutsche Zeitung_ 80 (3297807). https://www.sz.de/li.3297807. * * * OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren: Johann-Mattis List (19. Oktober 2025). Von gefühlten Tatsachen. _Von Wörtern und Bäumen_. Abgerufen am 19. Oktober 2025 von https://wub.hypotheses.org/3049 * * * * * * * *

This study illustrates how semantic embeddings can be added to and retrieved from NoRaRe. By that, it provides a template for handling vector data and makes popular methodology in semantic modeling available for cross-linguistic comparison. # 1 Introduction The success of word embedding techniques has lead to a complete shift to a distributional framework in computational semantics, which is underlined by the fact that word embeddings build the backbone of modern Large Language Models. Following the distributional hypothesis, vector representations for words (i.e., embeddings) are learned from surrounding words. Words with similar meanings and/or functions will therefore appear in similar contexts, leading to similiar representations, while words that are found in different contexts are considered dissimilar and thus appear distant from each other in the embedded vector space. Since they are demonstrably powerful, yet readily interpretable, static word embeddings (meaning that one word maps to one vector representation, in contrast to contextual word embeddings) trained with models like Word2Vec (Mikolov et al. 2013), GloVe (Pennington et al. 2014), and FastText (Bojanowski et al. 2017) remain a popular choice for the computational investigation of semantic similarity and relations between word forms. While certainly powerful and highly expressive, word embeddings cannot be directly plugged into models for computer-assisted language comparison. Research in comparative linguistics relies on the presence of comparative concepts — items under the same gloss in different languages should refer to the same sense or concept (even if the gloss in the metalanguage is potentially ambiguous). For example, the English word _bark_ can refer to the exterior part of a tree or the vocalization of a dog. The word embedding for _bark_ captures both meanings — simply using that embedding for a wordlist where _bark_ only refers to the part of the tree would thus lead to an imprecise representation of the expressed concept due to the homonymy in the English gloss. To address this problem, we recently presented a new technique for training language-agnostic _concept embeddings_ from cross-lingual colexification networks (Rubehn and List 2025). In this post, I will describe how those concept embeddings were integrated into the Database of Norms, Ratings, and Relations (NoRaRe, Tjuka et al. 2022, https://norare.clld.org/) alongside multilingual FastText word embeddings (Grave et al. 2018). By that, I will provide a general tutorial on how to integrate and retrieve vector data with NoRaRe. # 2 Integrating Concept Embeddings into NoRaRe Following last month’s tutorial by List (2025), we start by expanding the `norare.tsv` and `datasets.tsv` files that contain basic information about all datasets collected in NoRaRe, as well as adding new references to `references/references.bib`. In `datasets.tsv`, I simply append one new line where I provide meta-information concerning the new dataset under the name `Rubehn-2025-ConceptEmbeddings`. This name is used as unique identifier for the dataset throughout the entire integration process. Similarly, I extend `norare.tsv` by describing the type of data I am contributing. Since for each concept I am contributing several vector representations (3 types of concept embeddings based on different types of colexification + FastText embeddings in 9 different languages), each of them has to be described separately in a new line. Finally, I add BibTeX entries for the sources of the data I am contributing (in this case Grave et al. 2018; Rubehn and List 2025) to `references/references.bib`. Having dealt with the basic files, it is time to contribute the actual dataset. For this, the first step is to create a new directory `datasets/Rubehn-2025-ConceptEmbeddings` where all relevant information is stored. This directory itself will contain three files: `Rubehn-2025-ConceptEmbeddings.tsv`, `Rubehn-2025-ConceptEmbeddings.tsv-metadata.json`, and `norare.py`. Note how the dataset identifier is recurring in the namespace. `Rubehn-2025-ConceptEmbeddings.tsv-metadata.json` is a metadata file conforming to CSVW standards (Gower 2021). Simply speaking, it allows (and requires) me to define which columns the corresponding TSV file (where all data is written to) contain, and which data type is expected in each column. This ensures data consistency and allows for smooth data retrieval later on. Concretely, I use this file to define that each entry consists of a Concepticon ID, the corresponding Concepticon gloss (the concept inventory that NoRaRe operates on is defined by Concepticon; List et al. 2025, https://concepticon.clld.org/), and then all different types of embedding vectors described above. For all columns containing embeddings, I define `"json"` as data type: embeddings are therefore directly represented as lists of floats. Finally, we get to the core of the dataset: the `norare.py` script that produces the file `Rubehn-2025-ConceptEmbeddings.tsv`, which contains all the actual data in the end. In `norare.py`, I have to define two functions that correspond to shell commands defined by `pynorare` (List and Forkel 2024): `download` and `map`. As the names suggest, these two functions define the behavior for 1. downloading the raw data and 2. mapping them to NoRaRe. For the concept embeddings, it is straightforward to define the downloading and mapping behavior, since the embeddings already represent Concepticon concepts directly. The only trick I had to employ here was to round all numbers to 4 decimals to prevent the file from becoming too large. This is a simple quantization technique that is commonly done to compress data (Gray and Neuhoff 1998) without losing relevant information. # 3 Integrating Multilingual Word Embeddings into NoRaRe Mapping multilingual FastText embeddings (Grave et al. 2018) requires some more handling of data, which is essentially due to the fact that embedded words have to be mapped to the concepts defined by Concepticon, and this mapping is usually not a 1-to-1 relation. As a first step, again, we download the data from https://fasttext.cc/docs/en/crawl-vectors.html. Now that we have obtained the embeddings for _words_ in different languages, we have to map them to the relevant _concepts._ This can be done via the MultiSimLex database (Vulić et al. 2020) that provides parallel translations for 1,888 cues in various different languages. Since the elicited cues have already been linked to Concepticon (List 2021) and the translations are parallel, MultiSimLex offers a good resource for systematically linking words from different languages to Concepticon concepts. Now that we have a principal method for mapping words to concepts, we encounter another problem that we need to deal with: sometimes, there are multiple translations for the same concept. For example, the concept CAR can be expressed by the Russian words _avtomobil’_ and _mashina,_ and both translations are actually found in the MultiSimLex data. In those cases, we define the vector representing a concept in a language as the weighted average of the corresponding word vectors. As a simplified example, assume that we find 1 occurrence of _avtomobil’_ with the vector `[2, 3]` and two occurrences of _mashina_ with the vector `[1, 6]`: the resulting vector would be `[(1*2 + 2*1) / 3, (1*3 + 2*6) / 3] = [1.3333, 5]`. With solutions to these practical issues, we now have a robust and consistent way of handling and mapping word embedding data to Concepticon; so we can simply implement the described behavior in the `map` function. Having implemented both the downloading and mapping routine for both, the concept embeddings and the word embeddings, pynorare offers convenient shell commands to create the desired TSV file, in which all information is finally represented. $ norare download Rubehn-2025-ConceptEmbeddings # download data $ norare map Rubehn-2025-ConceptEmbeddings # map data # 4 Retrieving Embeddings from NoRaRe Thanks to the pynorare API and the CSVW specifications, it is now straightforward to retrieve the different embeddings. Start by creating a fresh virtual environment, install pynorare via pip and clone the latest version of the Concepticon and NoRaRe datasets: $ python -m venv venv $ source venv/bin/activate # for *NIX-based systems; if you use Windows, you need to run the 'Activate.ps1' script instead $ git clone --depth=1 https://github.com/concepticon/concepticon-data $ git clone --depth=1 https://github.com/concepticon/norare-data Now that you’re set up, you can easily retrieve the described embeddings, as illustrated in the code snippet below. Thanks to the CSVW specifications, all data are already represented as objects of the correct type — the embedding vectors are already lists of floats, and the Concepticon ID’s are already integers. from pynorare import NoRaRe from pyconcepticon import Concepticon # set up Concepticon and NoRaRe API c = Concepticon("concepticon-data") norare = NoRaRe("norare-data", concepticon=c) # retrieve data embedding_data = norare.datasets["Rubehn-2025-ConceptEmbeddings"] concept_embeddings = {concepticon_id: entry["embeddings_full_affix"] for concepticon_id, entry in embedding_data.items()} ft_embeddings_es = {concepticon_id: entry["fasttext_es"] for concepticon_id, entry in embedding_data.items()} # 5 Conclusion and Outlook In this study, I have briefly illustrated how vector data can be added to and retrieved from NoRaRe by the concrete example of concept embeddings (Rubehn and List 2025) and multilingual word embeddings (Grave et al. 2018). I am optimistic that this addition will be useful for future research representing semantics on a conceptual level, since distributional semantic representations have proven themselves as powerful tools already. Furthermore, the inclusion of embeddings serves as yet another template for how complex data types can be handled by NoRaRe (Ahmedović 2025). # References Ahmedović, Mira (2025): Handling Non-Standard Datasets in NoRaRe: A Practical Guide. _Computer-Assisted Language Comparison in Practice_ 8.1. 17–23. https://doi.org/10.15475/calcip.2025.1.3 Bojanowski, Piotr and Edouard Grave and Armand Joulin and Tomas Mikolov (2017). Enriching word vectors with subword information. _Transactions of the Association for Computational Linguistics_ 5. 135-146. https://doi.org/10.1162/tacl_a_00051 Forkel, Robert and Johann-Mattis List (2024). _PyNoRaRe [Python package, version 1.1.0]._https://pypi.org/project/pynorare/ Gower, Robin (2021): CSV on the Web. Stirling: Swirrl. https://csvw.org Grave, Edouard and Piotr Bojanowski and Prakhar Gupta and Armand Joulin and Tomas Mikolov (2018). Learning word vectors for 157 languages. In _Proceedings of the Eleventh International Conference on Language Resources and Evolution (LREC 2018)._https://aclanthology.org/L18-1550/ Gray, Robert M. and David L. Neuhoff (1998). Quantization. _IEEE Transactions on Information Theory_ , 44.6. 2325-2383. https://doi.org/10.1109/18.720541 List, Johann-Mattis (2021). Mapping Multi-SimLex to Concepticon. _Computer-Assisted Language Comparison in Practice_ 4.3. 1-8. List, Johann-Mattis (2025). Illustrating Data Curation in NoRaRe with the Help of Templates. _Computer-Assisted Language Comparison in Practice_ 8.2. List, Johann Mattis and Annika Tjuka and Frederic Blum and Alžběta Kučerová and Carlos Barrientos Ugarte and Christoph Rzymski and Simon Greenhill and Robert Forkel (eds.) (2025). _CLLD Concepticon 3.4.0 [Data set]_. Zenodo. https://doi.org/10.5281/zenodo.14923561 Mikolov, Tomas and Kai Chen and Greg Corrado and Jeffrey Dean (2013). Efficient estimation of word representations in vector space. _arXiv preprint arXiv:1301.3781._https://doi.org/10.48550/arXiv.1301.3781 Pennington, Jeffrey and Richard Socher and Christopher D. Manning (2014). GloVe: Global vectors for word representation. In _Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP)._ 1532-1543. https://doi.org/10.3115/v1/D14-1162 Rubehn, Arne and Johann-Mattis List (2025). Partial colexifications improve concept embeddings. In _Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers)._ 20571-20586. https://aclanthology.org/2025.acl-long.1004 Tjuka, Annika and Robert Forkel and Johann-Mattis List (2022). Linking Norms, Ratings, and Relations of Words and Concepts Across Multiple Language Varieties. _Behavior Research Methods_ 54. 864–884. https://doi.org/10.3758/s13428-021-01650-1 Vulić, Ivan and Simon Baker and Edoardo Maria Ponti and Ulla Petti and Ira Leviant and Kelly Wing and Olga Majewska and Eden Bar and Matt Malone and Thierry Poibeau and Roi Reichart and Anna Korhonen (2020): Multi-SimLex: A large-scale evaluation of multilingual and cross-lingual lexical semantic similarity. _Computational Linguistics_ 46.4. 847-897. https://doi.org/10.1162/coli_a_00391 **Cite this article as:** Rubehn, Arne (2025): “Integrating Semantic Embeddings with NoRaRe” in _Computer-Assisted Language Comparison in Practice_ , 8.2: 81-86 [first published on 17/09/2025], URL: https://calc.hypotheses.org/8783, DOI: 10.15475/calcip.2025.2.3. **Download the article as PDF:** calcip-08-2-3.pdf **Copyright information** : This is an open access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited. **Supplementary Materials** : The data described here is available as part of the NoRaRe database, which is currently curated on GitHub (https://github.com/concepticon/norare-data) and regularly archived with Zenodo (all versions available at https://doi.org/10.5281/zenodo.3957680). The data created here will be part of the next release Version 1.2. For details, the contribution can be inspected via the pull-request on GitHub at https://github.com/concepticon/norare-data/pull/282. **Funding Information** : This project has received funding from the European Research Council (ERC) under the European Union’s Horizon Europe research and innovation programme (Grant agreement No. 101044282). The funders had no role in study design, data collection and analysis, decision to publish, or preparation of the manuscript. * * * OpenEdition suggests that you cite this post as follows: Arne Rubehn (September 17, 2025). Integrating Semantic Embeddings into NoRaRe. _Computer-Assisted Language Comparison in Practice_. Retrieved September 17, 2025 from https://calc.hypotheses.org/8783 * * * * * * * *

Vor Kurzem bin ich auf einen sehr interesssanten Artikel gestoßen, der einen populärwissenschaftlichen Überblück zu den Versuchen in der Mathematik gibt, Beweise automatisiert prüfen zu lassen (Bischoff 2025). “Die moderne Mathematik” heißt es in dem Artikel, sei “so spezialisiert, dass selbst Experten einander nicht mehr verstehen”. Um dem Abhilfe zu schaffen, versuchen einige Forscher seit einigen Jahren, die Einführung automatischer Beweissysteme als Grundlage moderner mathematischer Forschung zu etablieren. Während diese Versuche lange Zeit wenig Beachtung fanden, scheint sich mit neueren Erfolgen, von denen Bischoff auch im Detail berichtet, allmählich ein Forschungskreis zu bilden, der automatische Beweisführung ernst nimmt und trotz der großen Widerstände, die vom Spott traditionell orientierter Kollegen bis zur riesigen Varianz von Beweisführungen aufgrund fehlender Standards reichen. Inzwischen scheint es tatsächlich erste Programme zu geben, die erfolgreich verschiedene Beweise formalisieren und überprüfen konnten, auch wenn es anscheinend als sehr aufwendig herausgestellt hat, einzelne Beweise von den Axiomen ausgehend formal zu verfassen (ibid.). Obwohl ein Großteil der Forschung in der Mathematik nach wie vor manuell durchgeführt wird, mehren sich daher vor allem in letzter Zeit die Beispiele, wo automatisierte Beweisführung oder die explizite Zuhilfenahme von Computern vermehrt zu Erfolgen oder neuen Einsichten geführt haben. Während es mich schon lange überrascht, dass die automatische Beweisführung in der Mathematik nicht schon längst viel weiter verbreitet ist (List 2020), befing mich beim weiteren Lesen des Textes diesmal ein komisches Gefühl von von _déjà vu_. Ich kenne diese menschlichen und technischen Probleme, die das Entwickeln von automatisierten Methoden zur Beweisführung mit sich bringt, nämlich nur allzu gut aus meiner eigenen täglichen Arbeit. Denn in der historischen Linguistik ist die Situation am Ende gar nicht so unterschiedlich zur Mathematik. Wir haben _scheinbar_ formale Methoden, die wir _scheinbar_ formal anwenden, um zu erkennen, welche Sprachen miteinander verwandt sind und wie sich die Lautsysteme von den Ursprachen in die Tochtersprachen entwickelt haben. Diese Methoden werden jedoch nicht von Computern gegengeprüft, sondern von den jeweiligen Experten individuell angewandt und dann zu Papier gebracht. Um zu prüfen, ob die Lautwandelprozesse und die Protoformen, die jemand für eine Sprachfamilie postuliert, stimmen, muss man sich in mühseliger Kleinstarbeit zunächst in alle formalen und zuweilen auch nicht formalen Argumente einlesen, die zur _Rekonstruktion_ der Sprachfamilie gemacht wurden. Dazu muss man die Argumente vorangegangener Arbeiten kennen, und am besten auch ein relativ gutes passives Verständnis zumindest einiger Sprachen der Sprachfamilie vorweisen können. Bei mehr als 300 Sprachfamilien, die bisher identifiziert worden sind, haben wir auch in der Linguistik schon lange eine Situation erreicht, wo die Experten, die an unterschiedlichen Sprachfamilien arbeiten — und zuweilen sogar die Experten, die an denselben Sprachfamilien arbeiten — einander kaum noch verstehen. Während das Problem, welches intuitive Einblicke in der historischen Linguistik spielen, mir schon lange bekannt war, und zuweilen sogar in der Literatur diskutiert worden ist (Schwink 1991: 29), hatte ich von der Mathematik jedoch bisher einen ganz anderen Eindruck gehabt. Ich war immer davon ausgegangen, dass Beweise keine Fehler aufweisen und aufgrund der formalen Ausrichtung der Mathematik mit ihren Axiomen und Formeln eine Automatisierung derselben eigentlich gar nicht so schwer sein könnte. Dies scheint allerdings viel weniger der Fall zu sein, als ich angenommen hatte. Genauso wie in der Linguistik, wo ich relativ häufig offen angegangen werde, dass meine Versuche, die Methoden der Rekonstruktion zu automatisieren eine reine Zeitverschwendung seien, scheint das Formalisieren von Beweisen in der Mathematik mit Hilfe von Computern ebenfalls so “mühsam [zu sein], dass es in den Augen vieler Fachvertreter den Aufwand nicht lohnt” (Hartnett 2016: 61). Darüber hinaus scheint es auch in der Mathematik zuweilen zu _menscheln_ , wenn es um die Akzeptanz von Theoremen oder Beweisen geht geht: “in the end, it is a social process that determines whether mathematicians feel confident about a theorem” (De Millo et al. 1979: 171). Als ich vor Kurzem mal wieder eine größere Konferenz zur historischen Linguistik besuchte, wurde ich wieder auf eindrucksvolle Art und Weise damit konfrontiert, wie sehr unser Fach noch immer menschelt, ohne dass diese sozialen — und meiner Ansicht nach auch oft einfach unwissenschaftlichen Aspekte, die zur Akzeptanz oder Ablehnung von Theorien führen — wirklich ausreichend thematisiert werden. Dabei finde ich es immer wieder erschütternd, wie grob und unsachlich manche Kolleginnen und Kollegen dabei vorgehen. Da wird das Rekonstruktionssystem einer Sprachfamilie eines Kollegen A von einem Kollegen B vollständig abgelehnt, weil die Arbeit “komplett falsch” sei, obwohl sich bei einer Betrachtung der Arbeiten von A und B zeigt, dass sie sich in den meisten Fällen eigentlich nicht stark voneinander unterscheiden. Da reden die Kollegen, die zu denselben Sprachfamilien forschen, prinzipiell nicht miteinander, weil sie sich als Konkurrenz in einem Feld, das kleiner nicht sein könnte, ansehen, anstatt die Chance der Kollaboration zu ergreifen. Da werden automatisierte Lösungen, die den Vorgang der Rekonstruktion unterstützen und seine Transparenz erhöhen können, pauschal und ohne Begründung abgelehnt, weil man der eigenen Intuition ja ohnehin mehr vertraue. Während ich, wenn man mich mit der typischen Kritik an computergestützten Methoden konfrontiert, meist gute Miene zu einem Spiel mache, das ich inzwischen nur zu gut kenne, obwohl es mich schon lange nervt, wundert es mich doch immer wieder, mit welch unwissenschaftlichen Argumenten jegliche Bezugnahme auf Computer abgelehnt wird. Vor allem stört es mich, dass sich vor allem die lautesten Kritiker eigentlich kaum die Mühe geben, sich überhaupt mit den Lösungen, welche die Tools, die ich entwickle bieten, grundlegend vertraut zu machen. Die meisten vermuten in Tools wie der EDICTOR-Software (https://edictor.org, List et al. 2025) schlicht den Versuch, alle manuellen Schritte des Sprachvergleichs komplett zu automatisieren und werfen der Software dann vor, im Gegensatz zum Menschen schlechtere Ergebnisse zu liefern. Dabei geht es gar nicht um die Automatisierung des historischen Sprachvergleichs, sondern um die Steigerung seiner Transparenz und Wiederholbarkeit. Wer sich aktuelle Rekonstruktionen von unterschiedlichen Sprachfamilien wie der Mataco-Sprachen in Südamerika (Nikulin und Carlo 2024), der Tschadischen Sprachen in Afrika (Wolff 2022) oder der Sogeram-Sprachen in Neuginea (Daniels 2020) anschaut, wird feststellen, dass es kaum Gemeinsamkeiten in Bezug auf die Präsentation der Daten oder der Methoden, mit deren Hilfe die Daten erstellt wurden, gibt. Einzelne Rekonstruktionen von individuellen kognaten Wörtern in den Sprachfamilien werden zwar in allen Fällen mitsamt der _Reflexe_ , also der Belegwörter in den Einzelsprachen aufgelistet, man wird jedoch nahezu komplett allein gelassen, wenn man die Belege mit den Rekonstrukten in Beziehung setzen möchte. Obwohl wir von formalen Prozeduren, wie der Sequenzalinierung (List 2014) oder der Inferenz von Korrespondenzmustern (List 2019) ausgehen, ohne deren Hilfe die Wortvergleiche gar nicht aufgestellt werden könnten, finden wir diese in den Ergebnissen, die präsentiert werden, eigentlich nie vor. Auch werden die Rohdaten, die die Autoren nutzen, um ihre Rekonstruktionen zu erstellen, eigentlich so gut wie nie geteilt. Wer diese also nachvollziehen oder auf ihne aufbauen will, muss zunächst die Daten digitalisieren und dann die Methoden unabhängig neu anwenden. Wissenschaft sollte eigentlich nach höherer Transparenz, Nachvollziehbarkeit und Wiederholbarkeit streben, vor allem, wenn man erwartet, dass sie ernst genommen wird. Wenn ich Kollegen darauf hinweise, dass die Transparenz von Daten wichtig ist, um deren Weiterbearbeitung zu ermöglichen, ernte ich in vielen Fällen nur verständnislose Blicke. Zuweilen haben mir Kollegen sogar direkt gesagt, dass ihnen die Nachnutzung ihrer Arbeit eigentlich egal sei. Wenn sich Forschung aber nur auf die eigenen Interessen derer, die forschen, konzentriert und das Aufbereiten von Wissen und Erkenntnissen für die Nachnutzung vollständig ignoriert, dann verkommt sie zu einem komischen Selbstzweck, der überspitzt gesagt am Ende eigentlich nur einigen privilegierten Menschen die Ausübung ihrer Hobbies in ihrer Arbeitszeit finanziert. Ich habe jedoch eine gewisse Hoffnung, dass sich das — wenn auch langsamer als in der Mathematik — auch in der Linguistik allmählich ändern wird. Jüngere Menschen, die Linguistik betreiben, haben schon heute weitaus bessere Computerkenntnisse als die Generationen vor ihnen. Da computergestützte Ansätze und transparente Verfahren entgegen der Vorurteile, die einige Linguisten ihnen noch immer entgegenbringen, die konkrete Forschungsarbeit tatsächlich nicht nur transparenter, sondern auch effizienter gestalten können, besteht Hoffnung, dass wir von einem Fach mit wenigen Experten, die sich als Platzhirsche gerieren, zu einem Fach werden, in dem die wenigen Experten mehr Zeit haben, die spezifischen Probleme ihrer Vergleichsstudien im Team anzugehen. ## Literatur Bischoff, Manon Was passiert, wenn niemand mehr die Mathematik versteht? _Spektrum — Die Woche_ 2025.33. 21-35. https://www.spektrum.de/news/so-veraendern-computer-ki-und-beweispruefer-die-mathematik/2280992 Daniels, Don (2020): Grammatical reconstruction. The Sogeram languages of New Guinea. Boston and Berlin: De Gruyter Mouton. De Millo, Richard A. and Lipton, Richard J. and Perlis, Alan J. (1979): Social processes and proofs of theorems and programs. _Communications of the ACM_ 22.5. 271-280. List, Johann-Mattis and van Dam, Kellen Parker and Blum, Frederic (2025): EDICTOR 3. An Interactive Tool for Computer-Assisted Language Comparison [Software Tool, Version 3.1]. Passau: MCL Chair at the University of Passau. https://edictor.org Hartnett, Kevin (2016): Werden Computer das Wesen der Mathematik verändern? _Spektrum der Wissenschaft_ 12. https://www.spektrum.de/magazin/werden-computer-das-wesen-der-mathematik-veraendern/1427414 List, Johann-Mattis (2014): Sequence comparison in historical linguistics. Düsseldorf: Düsseldorf University Press. https://sequencecomparison.github.io List, Johann-Mattis (2019): Automatic inference of sound correspondence patterns across multiple languages. _Computational Linguistics_ 45.1. 137-161. https://doi.org/10.1162/COLI_a_00344 List, Johann-Mattis (2020): Von Handarbeit im digitalen Zeitalter [Of manual work in the digital age]. _Von Wörtern und Bäumen_ 4.9. https://doi.org/10.58079/vbqp Nikulin, Andrey and Carol, Javier (2024): Historical phonology of Mataguayan. Berlin: Language Science Press. Schwink, Frederick (1991): Linguistic typology, universality and the realism of reconstruction. Washington: Institute for the Study of Man. Wolff, H. Ekkehard (2022): A historical phonology of Central Chadic. Prosodies and lexical reconstruction. Cambridge: Cambridge University Press. * * * OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren: Johann-Mattis List (15. September 2025). Schon gesehen. _Von Wörtern und Bäumen_. Abgerufen am 15. September 2025 von https://wub.hypotheses.org/3018 * * * * * * * *

This study introduces a collection of templates that can be used to contribute data to the Database of Norms, Ratings, and Relations (NoRaRe) of words and concepts. The templates are intended to facilitate the process of dataset conversion and serve as a starting point for those who are interested to contribute data to the catalog. A first template structure with two sample datasets is introduced and discussed in more detail, pointing to those aspects of data curation that may lead to confusion among users who contribute the first time to the NoRaRe database. ## 1 Introduction The _Database of Norms, Ratings, and Relations_ (NoRaRe, Tjuka et al. 2022, https://norare.clld.org) offers a principled collection of data on speech norms for words across different languages, linked to identical concepts that are defined through the Concepticon catalog (List et al. 2025, https://concepticon.clld.org). While we are generally very happy with the NoRaRe data collection, given that it offers data from various sources in a unique and standardized form, we are aware that data access and data curation may cause frustration with some users, given that they require both basic knowledge about the commandline and quite solid knowledge about Python programming. While we think that data access can be facilitated by providing more targeted tutorials, providing detailed tutorials on the curation of NoRaRe data may still be frustrating for potential contributors, given that the amount of data and scripts that has been accumulated in the original NoRaRe database by now is constantly growing and may easily overwhelm people who are new to the workflow of test-driven data curation (for details on these workflows, see Tjuka et al. 2023 on Concepticon and NoRaRe, and List et al. 2022 on Cross-Linguistic Data Formats in general). General information on how to add datasets to NoRaRe can be found in two studies introducing the data and the workflow for data curation (Tjuka et al. 2022 and Tjuka et al. 2023) and in a recent tutorial by Ahmedović (2025). In order to supplement these attempts to help people getting started with NoRaRe data curation, this study introduces a new approach, based on a template dataset. This dataset cannot only be used to illustrate different ways in which data can be added to the catalog, it can also be used as the starting point for those who want to contribute data to the original NoRaRe collection. ## 2 Illustrating Data Curation with Templates Data curation in NoRaRe is based on two major components. On the one hand, we have a code package, PyNoRaRe (Forkel and List 2024, https://pypi.org/project/pynorare/), that can be invoked via the command line in order to convert individual datasets into the standardized tabular format required by NoRaRe. On the other hand, we have a folder structure, containing the original NoRaRe data, which is read and modified when invoking the code from the command line. Since NoRaRe has grown drastically over time, listing by now close to 100 individual datasets (with new datasets being planned to be added during the next time), working with the entire NoRaRe database can feel cumbersome, given the amount of data that the repository stores in different folders and files. In order to cope with this problem, I have now created a first template repository that can be used to test and teach data curation in NoRaRe with targeted exemplary datasets that have been created specifically to illustrate the data curation process. While the template repository by now only contains two artificial sample datasets, illustrating two ways in which data can be curated in NoRaRe, I hope that we can extend the repository in the future by adding targeted illustrations. ## 3 Getting Started with NoRaRe ### 3.1 Installation In order to get started with NoRaRe, you must make sure to install the PyNoRaRe package via `pip` in a fresh virtual environment (https://pypi.org/project/pynorare, List and Forkel 2024). Having installed the package, you may need additional packages for the handling of individual datasets, but most basic packages will be installed with this installation alone. In order to _access_ NoRaRe data, you also need to download the NoRaRe database itself, along with the data underlying Concepticon. The easiest way to get started, is to download both packages with `git`. This can be done with the help of the following commands. The first command installs `pynorare`, the second command downloads the template collection — instead of the original NoRaRe data –, and the third command downloads the most recent version of the Concepticon reference catalog (Version 3.4.0). $ pip install pynorare $ git clone https://codeberg.org/digling/norare-template $ git clone https://github.com/concepticon/concepticon-data --depth 1 --branch v3.4.0 If you open the `norare-template` folder, you will find two folders (`datasets` and `references`) and two basic files (`datasets.tsv` and `norare.tsv`). The current version of the template repository will ignore the `norare.tsv` file. It describes individual columns of individual datasets, but it is not needed to guarantee the basic functionality of curated data in NoRaRe and maybe introduced in future modifications to the template. The file `datasets.tsv` contains a header and two entries that provide information on two datasets for which templates were created in the repository. We call these datasets `Template-0001-Base` and `Template-0002-Manual`, respectively, thereby following the naming convention of datasets in NoRaRe, which start with the author name (here replaced by `Template`), followed by the year of creation (here replaced by `0001` and `0002` to employ some numerical ordering of template data), and followed by a short string illustrating the main purpose of the data (`Base` illustrating basic mapping, and `Manual` illustrating how data can be mapped manually). Additional information on individual datasets is provided in the following columns. When filling in the field `REFS`, it is important to know that this corresponds to a BibTeX-entry. The corresponding BibTeX-file can be found in the `references` folder (`references.bib`). The description of the data in the `NOTE` field will later be displayed on the NoRaRe website (https://norare.clld.org), as is the content of the other columns. The datasets themselves rest in the folder `datasets`. Per dataset, we add a dedicated folder that should have the same name as the dataset `ID` as indicated in `datasets.tsv`. This means we find two folders in the current template, `Template-0001-Base` and `Template-0002-Manual`. Inside a dataset folder, there are two required files that need to be provided by the data curators. One file, called `norare.py`, contains the code that is needed to download the original data and convert it to the NoRaRe formats, and one file, consisting of the dataset ID, extended by `.tsv-metadata.json`, contains the CSVW specification that describes the content of all columns in the resulting NoRaRe dataset and — if applicable — how they relate to the original data. ### 3.2 Basic Principles of Data Curation The basic procedure for adding datasets to NoRaRe consists in two steps, with both steps being automatized in such a form that they can be triggered one after another. The first step, called the _download_ , consists in downloading the data and storing the data in a folder for raw data. The second step is the _mapping_ step in which data are mapped to Concepticon. As a result of these two steps, a concept list is written to file, containing standardized data of concepts linked to Concepticon. Both steps are triggered by adding a new folder to the collection of datasets in the original `norare-data`-folder. The name of this new folder should start with the name of the first author of the dataset, separated by a dash from the year, followed by a description of the kind of data, one must place two files in order to go ahead. Two files must be placed into this folder to get started. The first file is a metadata file that follows the CSVW standard (CSVW, https://csvw.org) and crucially provides information in JSON format for the names and content of the columns that the resulting TSV file — in which the mapped concepts are added automatically later — contains. The file itself should contain the name of the dataset, ending in `.tsv-metadata.json`. To describe the full structure of the file here would go too far. It seems sufficient to recommend to take an existing file from the other datasets that have already been added to NoRaRe and to adjust the columns in this file accordingly. The second file is a Python script that triggers how data are downloaded and how data are mapped to Concepticon with the help of two functions. This file should be called `norare.py`. Essentially, this file should contain two functions, one called `download` and one called `map`. A minimal example fo these functions is shown below. def download(dataset): pass def map(dataset, concepticon, mappings): pass In the following, these commands will be illustrated in more detail. ### 3.3 Defining the Metadata The metadata file that describes the structure of the TSV file that holds the mappings of a given resource to Concepticon plays a crucial role in the NoRaRe workflow. Its job is not only to handle the access to already mapped data. It also allows to provide active mappings between the columns of a sheet in the original data and the data that we want to create from it. Thus, the metadata sheet itself is crucial for the mapping procedure. In order to get started with such a file, it is best to start from a template. The file is named after a dataset, extended by the suffix `.tsv`, and extended by the suffix `-metadata.json`. Thus, in the case of our base template, `Template-0001-Base` would be the name of the dataset and the dataset folder, `Template-0001-Base.tsv` is the name of the data file that we want to produce (providing access to the mappings), and `Template-0001-Base.tsv-metadata.json` is the name of the metadata file, describing the data with the help of the CSVW specification. The file for our base template is shown below. { "url": "", "@context": ["http://www.w3.org/ns/csvw", {"@language": "en"}], "dc:title": "Template for Adding Data to NoRaRe.", "dc:source": "https://calclab.org/norare/example/", "dc:references" : "Template", "dcat:keyword": ["template", "example"], "dc:description": "A template file that can be used as the basis for adding new data to NoRaRe.", "dialect": { "delimiter": "\t", "encoding": "utf-8", "header": true }, "tables": [ { "tableSchema": { "columns": [ { "name": "CONCEPTICON_ID", "datatype": "integer" }, { "name": "CONCEPTICON_GLOSS", "datatype": "string" }, { "name": "GERMAN", "datatype": "string", "titles": "word" }, { "name": "GERMAN_FLOATS", "datatype": {"base": "float"}, "titles": "Floats" }, { "name": "GERMAN_INTEGERS", "datatype": "nonNegativeInteger", "titles": "Integers" }, { "name": "GERMAN_STRINGS", "datatype": "string", "titles": "Strings" }, { "name": "GERMAN_JSON", "datatype": "json", "titles": "JSON" } ], "foreignKeys": [ { "columnReference": "CONCEPTICON_ID", "reference": { "resource": "../concepticon.tsv", "columnReference": "ID" } } ], "aboutUrl": "http://concepticon.clld.org/parameters/{CONCEPTICON_ID}" }, "url": "Template-0001-Base.tsv" } ] } The first lines of this file, up to the `tables` key provide some basic metadata information on the dataset, allowing users to add some description of the data, a title, and keywords. The `tables` key provides access to the actual tables of the data. A table is defined by a schema (`tableSchema`) and a `url` (the path to the file, identical with the file name in this case). "tables": [ { "tableSchema": {}, "url": "Template-0001-Base.tsv" } ] The table schema consists of three objects, `columns`, `foreignKeys`, and `aboutUrl`. While the latter two can be left unchanged, the `columns` must be specified for the target dataset. Each column is represented by a dictionary of key-value pairs, of which three are regularly used in NoRaRe datasets, namely `name`, `datatype`, and `titles`. The key `name` refers to the target name of the column in the corresponding TSV file that one wants to create. The key `datatype` defines the type of the data in the cell. For the representation of datatypes, there are numerous options in CSVW, one can specify minimum and maximum values, patterns by regular expressions, different kinds of numbers, and boolean data. One can even — and this is important for all kinds of data where “normal” datatypes do not suffice, use JSON as a datatype. This offers the possibility to render complex objects, which comes in handy when dealing with concept relations (Bocklage et al. 2024). The `titles` key in the column specification of CSVW metadata files plays an important role in NoRaRe, since it is used to provide a direct mapping between the columns in a source CSV file and the target CSV file produced by the mapping procedure of NoRaRe. Thus, in our sample metadata file, we have two target columns `GERMAN` and `GERMAN_FLOATS`, with the titles `word` and `Floats`, respectively, as shown below. { "name": "GERMAN", "datatype": "string", "titles": "word" }, { "name": "GERMAN_FLOATS", "datatype": {"base": "float"}, "titles": "Floats" }, In the internal semantics of the NoRaRe database, the `name` and `titles` attributes map the original data, the CSV file `beispiel.tsv` (which we will download in the next step) with the columns `words`, `Strings`, `Integers`, `Floats`, and `JSON`, to the NoRaRe representation of the data in the CSV file `Template-0001-Base.tsv` with the columns `GERMAN` (`words`), `GERMAN_STRINGS` (`strings`), `GERMAN_INTEGERS` (`Integers`), `GERMAN_FLOATS` (`Floats`), and `GERMAN_JSON` (`JSON`). In order to create the metadata file, it has been shown to be the best strategy to use a template (as the one shown here), and to modify it subsequently, by adding or removing columns, and by modifying or refining the datatypes, target names, and titles. As a rule, a NoRaRe dataset should consist of two columns providing information on Concepticon mappings (`CONCEPTICON_ID` and `CONCEPTICON_GLOSS`), one column providing information on the actual words or concept glosses (`GERMAN` in our example), and one or more additional columns providing information on norms, ratings, or relations. In order to understand how complex datatypes can be defined, it is recommended to study the information provided on the CSVW website (https://w3c.github.io/csvw/primer/#new-datatypes) or to check out the examples that we provide in NoRaRe itself. Obviously, datatypes would be a good example for a further extension of the NoRaRe templates that would, however, go beyond the state of this study. ### 3.4 Downloading Original Data The download command — when triggered with actual code — takes the variable `dataset` as input. This variable will be passed from the commandline when calling `norare download DATASET`, where `DATASET` stands for the name of the dataset that one wants to add. The `dataset` variable itself is an object that offers additional functions that allow for a convenient downloading of data and storing the downloaded data in a folder `raw`, without having to do this explicitly in the code. Thus, one can extend the base function as shown below, in order to download the TSV file `example.tsv` from the URL `https://calclab.org/examples/example.tsv`. def download(dataset): dataset.download_file( 'https://calclab.org/examples/example.tsv', 'beispiel.tsv') This command can be initiated by typing the following command in the terminal. $ norare --norarepo=norare-template --repos=concepticon-data download Template-0001-Base This will download the respective file from the website and store it in a folder `raw`, assigning it the name `beispiel.tsv` in that very folder. There are more possibilities to download data. For example, you can download and unzip a file directly, using the `dataset.download_zip` command, that takes three arguments as input: the original URL of the dataset (ending in `.zip`), the target name that you want to give to the data, and the file that you want to extract from the repository itself. An example is included in the template `Template-0001-Base`, where the code for download actually downloads two files, the file `examples.tsv` and the file `beispiel2.tsv` from the zipped archive `example.zip`. def download(dataset): dataset.download_file('https://calclab.org/examples/example.tsv', 'beispiel.tsv') dataset.download_zip("https://calclab.org/examples/example.zip", "example.zip", "beispiel2.tsv") If you do not want to download data, or if you do not need to download data, you can leave the map-command empty, by adding a `pass` statement under the function. def download(dataset): pass In addition, you can place the data in their original form into the `raw` folder and submit it to the repository. This may be useful in those cases where you have small datasets that can be openly shared. ### 3.5 Mapping Data Automatically Data in NoRaRe must be mapped to Concepticon, since the links to Concepticon are the major way to compare information on particular concepts across languages. There are basiclly two ways in which you can proceed in order to map your concepts. On the one hand, you can use the integrated functions for automated concept mapping that come along with NoRaRe and Concepticon itself. On the other hand, you can use custom procedures to map your concepts, or you could even manually map your concepts to Concepticon, provide the information in the original data or in the `raw` folder or take the information from projects like Concepticon, and later create the NoRaRe dataset without using the automated mapper shipped along with NoRaRe. As an example for the typical usecase where we start from some dataset providing norms or ratings in some language, let us look at the template `Template-0001-Base` that builds on automated mapping with the help of the following map-command. def map(dataset, concepticon, mappings): sheet = dataset.get_csv( 'beispiel.tsv', delimiter="\t", dicts=True ) dataset.extract_data( sheet, concepticon, mappings, gloss='GERMAN', language='de' ) The map function here takes three arguments as input, `dataset`, `concepticon`, and `mappings`. As a NoRaRe user, you do not necessarily need to care for their internal structure, since they are provided by the commandline procedure. The argument `dataset` is the same complex object providing access to various routines that we also used in the download procedure. The `concepticon` argument provides access to the PyConcepticon API (Forkel et al. 2024, https://pypi.org/project/pyconcepticon). This means one can access any datapoint and concept list that Concepticon offers in the version that one selects from the commandline. It also means one can _enrich_ a given dataset from Concepticon with additional data in NoRaRe. The `mappings` argument provides access to the mappings from Concepticon. These mappings are extracted from all concept lists that are linked by a respective Concepticon version and allows to check, to which Concepticon ID and Concepticon Gloss a given word in a given language with a given part of speech (if available) is linked in the Concepticon project. The mappings in this form provide the core of all the mappings used in NoRaRe. The code that we added to implement the map functions consists itself of two functions, both provided by the `dataset` object. First, we extract the data from the CSV-file `beispiel.tsv`, stored in the `raw` folder (the file that we just downloaded), with the help of the `dataset.get_csv` function (where we indicate that the separator of the CSV-file is a tabstop). The resulting `sheets` object is a list of ordered dictionaries in Python, that represents cells as key-value pairs, with column names as keys, and cell content as values, as shown below for clarity. [ OrderedDict( { 'word': 'Hand', 'Floats': '1.2', 'Integers': '1', 'Strings': 'eine Hand', 'JSON': '{"name": "hand"}' } ), OrderedDict( { 'word': 'Fuß', 'Floats': '1.3', 'Integers': '2', 'Strings': 'ein Fuß', 'JSON': '{"name": "Fuß"}' } ), OrderedDict( { 'word': 'Stadt', 'Floats': '1.5', 'Integers': '3', 'Strings': 'eine Stadt', 'JSON': '{"name": "city"}' } ), OrderedDict( { 'word': 'Apfel', 'Floats': '1.5', 'Integers': '3', 'Strings': 'eine Stadt', 'JSON': '{"name": "city"}' } ), OrderedDict( { 'word': 'Arm', 'Floats': '1.2', 'Integers': '1', 'Strings': 'eine Hand', 'JSON': '{"name": "hand"}' } ) ] Then, we use the command `dataset.extract_data` to map the data automatically to Concepticon and only retain those lines in the original data that can be mapped. The `extract_data`-command itself employs the mappings between the column names of the original data and the column names of the target CSV file that was discussed before in §3.3. Taking the `sheet` that we just extracted before as input, as well as the `concepticon` object, and the `mappings`, that the `map`-function receives from the commandline usage of NoRaRe, the method uses the information on the `gloss` field (which refers to the name that this column will receive in the target language, thus aiming at the German word forms in the original column `words` in our sample data) and the `language` (represented for the major languages by a two-letter code) in order to assess which of the Concepticon concept receives the highest score in the automated mapping procedure. If no mapping is found, this word form will _not_ be written to the target file. Furthermore, each word form is mapped to maximally one Concepticon concept set. In order to check how well the automated mapping procedure works, one just has to trigger the command of the base template, passing the paths to the NoRaRe template folder and the Concepticon data folder along with the map command and the name of the dataset one wants to map, as shown below. norare --norarepo=norare-template --repos=concepticon map Template-0001-Base The resulting mapping will be written to the file `Template-0001-Base.tsv`, which is the file that we have already described through our CSVW metadata file. The first four columns of this file are shown below in Table 1. Table 1: Output of the automated concept mapping. CONCEPTICON_ID | CONCEPTICON_GLOSS | GERMAN | GERMAN_FLOATS ---|---|---|--- 1277 | HAND | Hand | 1.2 1301 | FOOT | Fuß | 1.3 1320 | APPLE | Apfel | 1.5 1391 | TOWN | Stadt | 1.5 1673 | ARM | Arm | 1.2 As can be seen, the automated mapping procedure identifies Concepticon glosses for all five German words and writes all columns that we defined in the metadata file to the new file. While these mappings themselves are considerably easy to achieve, it is always recommended to be careful with the trust in automated mappings. While we currently assume that the errors fall below a margin of 10%, we have not yet carried out detailed error statistics. Our trust in the mapping algorithm is rather based on our concrete experience in using the algorithm to preprocess large Concepticon concepts lists (Tjuka et al. 2023). ### 3.6 Mapping Data Explicitly While the automated mapping procedure described in the previous section works well and sufficiently in most cases, there may be situations in which one does not want to resort to automated mapping. On the one hand, one might have access to better mappings, for example, produced by manual data curation. On the other hand, one might want to use a method different from the standard one to produce the mappings in question. The NoRaRe data curation workflow allows for this flexibility, which we illustrate in the template dataset `Template-0002-Manual`, as part of our initial template collection for NoRaRe. This template uses the same metadata file (with the exception that the file name has changed to the name of the template). It also employs the same download routine. What differs, is the mapping routine, which makes use of the PySem package (List 2025, https://pypi.org/project/pysem/), introduced in List (2022), which can be installed with the help of `pip` (`pip install pysem`). The modified mapping routine that makes explicit use of the `to_concepticon` function in PySem is illustrated below. def map(dataset, concepticon, mappings): sheet = dataset.get_csv( 'beispiel.tsv', delimiter="\t", dicts=True ) # get mapping from old to new column names s2t = {str(c.titles): c.name for c in dataset.columns if c.titles} table = [] for row in sheet: maps = to_concepticon( [ { "gloss": row["word"], }, ], language="de" ) if maps[row["word"]]: cid, cgl, pos, sim = maps[row["word"]][0] table += [{ "CONCEPTICON_ID": cid, "CONCEPTICON_GLOSS": cgl, s2t["word"]: row["word"], s2t["Floats"]: row["Floats"], s2t["Integers"]: row["Integers"], s2t["Strings"]: row["Strings"], s2t["JSON"]: row["JSON"] }] dataset.write_table(table) While the routine to load the data from the CSV file remains the same here, the difference lies in the way in which the target NoRaRe dataset is written to a table. Here, the code first explicitly extracts the information on the mapping from source to target column headers, storing them in the dictionary `s2t`. It then creates an empty list called `table` and afterwards iterates over all individual entries in the source table, mapping all entries automatically with the help of PySem’s modified mapping routine. This table is a list of dictionaries whose keys correspond to the new column headers that we want to write to the target CSV file defined by the CSVW metadata file. The table itself can then be written to the target file with the help of the command `dataset.write_table`. This command takes the table as input and takes essentially care of all the rest. This means, among others, that only those columns that were defined in the CSVW metadata file will be written to the target spreadsheet. Columns defined in the metadata but not present as keys in the dictionary will be left empty. For this reason, it is important to check the resulting data thoroughly, since spelling errors can easily slip in when creating and modifying the metadata. The method to write a table explicitly outlined here can be used in all those cases where the NoRaRe data one wants to produce differs from the standard datasets that one encounters so far in NoRaRe. Allowing for this flexibility with new datasets that have not been encountered before has the advantage that it allows us to explore new datatypes for NoRaRe and later decide if we write new regular routines to map them. When dealing with concept networks, for example, it may well be that we add a more targeted routine in the future, even if for now we add them explicitly in NoRaRe. ## 4 Creating New Data from Templates ### 4.1 Checklist for the Creation of NoRaRe Datasets NoRaRe datasets require more integration beyond the dataset folder (whose structure was described before in due detail). Table 2 gives a short checklist that can be used when creating new NoRaRe datasets, indicating all those places where things need to be modified. Table 2: Checklist for the different steps needed to integrate a dataset in NoRaRe. Operation | File | Note ---|---|--- Create dataset folder. | `datasets/DATASET` | Follow specific naming conventions. Create Python file in dataset folder. | `datasets/DATASET/norare.py` | Add `download` and `map` commands. Create CSVW metadata file in dataset folder. | `datasets/DATASET/DATASET.tsv-metadata.json` | Use `titles` and `names` to link column names. Add dataset to the list of datasets. | `datasets.tsv` | Fill in all fields, pay attention to the `ID` and `REFS`. Add reference to the bibliography. | `references/references.bib` | Use the key that was used in the `REFS` column of `datasets.tsv`. Download dataset. | `norare download DATASET` | Run the command to make sure the download routine works as expected. Map dataset. | `norare map DATASET` | Run the command to make sure the mapping proceeds as expected. Validate dataset. | `norare validate DATASET` | Run the command to make sure the data validates (also check manually by inspecting the TSV file). This checklist falls short in _describing_ the data in the file `norare.tsv`. This means the data can be accessed via the NoRaRe API and individual scripts can be written to integrate the data in scientific programming routines. Only by adding information on the individual columns in `norare.tsv`, however, we can make sure that the data can be identified and compared with similar datapoints. The details of how to add this column-specific information are not discussed here, since our initial templates concentrate for now only on the dataset creation. In the future, we may add more examples that also show how the data can be further integrated. ### 4.2 Basic Tips for Generating Derived Datasets If you want to derive your own datasets from one of the templates introduced above, the first step that I can recommend would consist in locating the data, ideally finding a regular URL from which they can be downloaded, and a reference that can be cited. As next step, you would determine the name of the dataset, as a combination of the family name of the first author, along with the year of the publication, and a short name that introduces the data. With this information, you can then create a folder in the `norare-template` directory, add a first draft `norare.py` script and copy and paste one of the sample metadata files that we provide in the `norare-template` folder. Having determined how to download the data (if regular download does not work and the data are distributed with open licenses, you can also simply paste them to the `raw` folder of the dataset directory), one would then elaborate how to map the data to Concepticon. When working with automated mapping procedures, one would first determine the relation between the columns of the original spreadsheet and the columns that one wants to define in the target table. After adding these relations to the metadata file, one could start experimenting with an initial mapping routine. If the data are more complex in nature, or if mappings are also available independently, one would have to write code that loads the data and converts them to the tables along with mappings to Concepticon, as illustrated in §3.6. Before running any mapping or download commands, the reference would have to be provided in BibTeX format and the dataset would have to be described properly in the CSV file that stores information on all individual datasets. Having created a dataset that passes both individual and general tests, it will be straightforward to copy-paste the folder and the modified lines to the original NoRaRe data, currently curated on GitHub (https://github.com/concepticon/norare-data). From there, one would then make a pull request and hope for a quick and productive review process by the NoRaRe team. ## 5 Outlook In the future, we hope to find time to add more templates to NoRaRe in order to illustrate how particular types of data can be handled. While NoRaRe itself provides plenty examples of how data has been handled in the past by us, we are aware that it may be confusing for new contributors to build directly on these examples when trying to integrate their own data into the NoRaRe catalog. Since we hope to be able to integrate quite a few more datasets on concept relations in the future, we will need better tutorials that help contributors to get started with NoRaRe. The templates can be understood as a first step towards this goal. We hope that we also will find time to follow up with tutorials that illustrate more broadly how NoRaRe can be put to active use. ## References Ahmedović, Mira (2025): Handling Non-Standard Datasets in NoRaRe: A Practical Guide. _Computer-Assisted Language Comparison in Practice_ 8.1. 17–23. https://doi.org/10.15475/calcip.2025.1.3 Bocklage, Katja and Di Natale, Anna and Tjuka, Annika and List, Johann-Mattis (2024): Representing the Database of Semantic Shifts by Zalizniak et al. from 2024 in Cross-Linguistic Data Formats. _Computer-Assisted Language Comparison in Practice_ 7.1. 25-35. https://doi.org/10.15475/calcip.2024.1.4 Robin Gower (2021): CSV on the Web. Stirling: Swirrl. https://csvw.org List, Johann-Mattis and Tjuka, Annika and Blum, Frederic and Kučerová, Alžběta and Barrientos Ugarte, Carlos and Rzymski, Christoph and Greenhill, Simon J. and Robert Forkel (2025): CLLD Concepticon [Dataset, Version 3.3.0]. Leipzig: Max Planck Institute for Evolutionary Anthropology. https://concepticon.clld.org List, Johann-Mattis (2022): How to Map Concepts with the PySem Library. _Computer-Assisted Language Comparison in Practice_ 5.1. 1-5. https://calc.hypotheses.org/3193 List, Johann-Mattis and Hill, Nathan W. and Forkel, Robert (2022): A new framework for fast automated phonological reconstruction using trimmed alignments and sound correspondence patterns. In: Proceedings of the 3rd Workshop on Computational Approaches to Historical Language Change. Association for Computational Linguistics 89-96. https://aclanthology.org/2022.lchange-1.9 Forkel, Robert and Rzymski, Christoph and List, Johann-Mattis (2024): PyConcepticon [Python library, Version 3.1.0]. Leipzig: Max Planck Institute for Evolutionary Anthropology. https://pypi.org/project/pyconcepticon Forkel, Robert and List, Johann-Mattis (2024): PyNoRaRe [Python library, Version 1.1.0]. Passau: MCL Chair at the University of Passau. https://pypi.org/project/pynorare List, Johann-Mattis (2025): PySem: Python library for handling semantic data in linguistics [Software, Version 1.2.1]. Leipzig: Max Planck Institute for Evolutionary Anthropology. https://pypi.org/project/pysem Tjuka, Annika and Forkel, Robert and List, Johann-Mattis (2022): Linking norms, ratings, and relations of words and concepts across multiple language varieties. _Behavior Research Methods_ 54.2. 864–884. https://doi.org/10.3758/s13428-021-01650-1 Tjuka, Annika and Forkel, Rober and List, Johann-Mattis (2023): Curating and extending data for language comparison in Concepticon and NoRaRe [version 2; peer review: 2 approved]. _Open Research Europe_ 2.141. https://doi.org/10.12688/openreseurope.15380.3 **Cite this article as:** List, Johann-Mattis (2025): “Illustrating Data Curation in NoRaRe with the Help of Templates” in _Computer-Assisted Language Comparison in Practice_ , 8.2: 65-80 [first published on 25/08/2025], URL: https://calc.hypotheses.org/8723, DOI: 10.15475/calcip.2025.2.2. **Download the article as PDF:** calcip-08-2-2.pdf **Copyright information** : This is an open access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited. **Supplementary Materials** : NoRaRe template data are curated on Codeberg (https://codeberg.org/digling/norare-template, Version 0.1) and archived with Zenodo (https://doi.org/10.5281/zenodo.16902395). **Funding Information** : This project has received funding from the European Research Council (ERC) under the European Union’s Horizon Europe research and innovation programme (Grant agreement No. 101044282). The funders had no role in study design, data collection and analysis, decision to publish, or preparation of the manuscript. * * * OpenEdition suggests that you cite this post as follows: Johann-Mattis List (August 25, 2025). Illustrating Data Curation in NoRaRe with the Help of Templates. _Computer-Assisted Language Comparison in Practice_. Retrieved August 26, 2025 from https://doi.org/10.58079/14hwi * * * * * * * *

Arne Rubehn, Johann-Mattis List. Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers). 2025.

This study describes the process of digitizing legacy materials into a computer-readable format for the purposes of computational typology and computer-assisted historical reconstruction. It presents a comparative wordlist that is made available in the formats recommended by the Cross-Linguistic Data Formats initiative. # 1 Needham’s “ _A collection of a few Môshâng Nâgâ words”_ The original publication, _A collection of a few Môshâng Nâgâ words_ (Needham 1897) provides the first written account of Muishaung (Glottolog: mosa1240), a Tibeto-Burman language spoken Arunachal Pradesh, India as well as neighbouring regions of Sagaing Region, Myanmar. Data were collected during a trip made by Needham to the Muishaung area in 1881. Today Muishaung is estimated to have around 2000 speakers in India, with an uncertain population size in Myanmar. This is one of a handful of texts written by Needham at the time. The others include similar descriptions of Tai Khamti and Singpho. Needham’s text includes 264 concepts — although with some minor misunderstandings around which concepts were actually being provided by speakers — along with basic grammatical notes on topics such as gender, verbal morphology and the pronominal system. Aside from being the earliest known account of any Tangsa-Nocte variety, Needham’s text provides valuable insights into historical sound change in the region; Muishaung is one of over two-dozen closely related language varieties within Tangsa-Nocte, but significantly it is the most phonologically divergent of the group. For example, it has innovative dental stops, including a split between /n/ and /n̪/ not seen elsewhere in the group, analogous to the /t/ and /t̪/ pair as reflexes of _*t_ and _*ð_ respectively. It also shows a split between /g/ and /ɣ/ as reflexes of *ɣ, and finally, Muishaung has been undergoing a process of vowel fracture not seen elsewhere among the closely related varieties. Access to historical texts such as Needham’s allow us to better understand the timing of such changes and the possible mechanisms behind them. For this reason, proper analysis of such descriptions is important. By developing computer-readable versions of such data sets, we are better able to include them in comparative work. With somewhat inconsistent orthographic conventions (many of which are never described by the author) along with some clear mistakes in the data which were elicited, the full value of Needham’s text is not apparent without a more in-depth investigation. This was done in van Dam & Mossang (2025), which analyzed the entirety of the text. This study undertook careful investigation into the terms given through comparison to modern-day forms of the concepts and reconstructed proto-forms. The full study is available as an open-access publication in the _Journal of Asian and African Studies_ published by the Tokyo University of Foreign Studies. # 2 Data Availability as a CLDF Data Set In the process of analyzing the text, a digital version of the lexical data along with terms found in the grammatical notes was created in a flat tabular format. These were transcribed exactly as they occurred in the original text, including the use of circumflexes for marking distinctions in vowel quality and an underlined ⟨n⟩ for vowel nasalization. Needham’s transcription was then converted to IPA and paired with modern-day pronunciations for cases in which cognates are attested today. In those instances where no modern-day cognate was found, the term which replaced the form in Needham’s time was given. In an additional step, the data from the flat tabular format were converted to the formats recommended by the Cross-Linguistic Data Formats (CLDF) initiative (Forkel et al. 2018, https://cldf.clld.org), using the workflow for the handling of comparative wordlists developed for the Lexibank repository (List et al. 2022, Blum et al. 2025, https://lexibank.clld.org). The CLDF dataset also includes all comments given in the original text, of which where were a few, along with notes by the authors of the 2025 study indicated cases where Needham may have elicited a term other than what was intended. For example in eliciting ‘flea’, the term given was actually one for ‘cat’, perhaps the result of gesturing toward a flea-infested feline at the time of elicitation. An example of the Forms table, with some columns removed here for the sake of saving space, is seen here: Local_ID | Form | Segments | Comment | Source ---|---|---|---|--- MuishaungNeedham-1_above-1 | rʌŋ | r ʌ ŋ | Shâng´gê is distant from Môshâng about 20 miles, much less as the crow flies. J.N. | Needham1897 MuishaungModern-1_above-1 | rɐuŋ₂ | r ɐu ŋ ₂/²³¹ | | VanDam2025 MuishaungNeedham-2_acid-1 | ɑ.hiˀ | ɑ + h i ˀ/ʔ | | Needham1897 MuishaungModern-2_acid-1 | ə₀hi₂ | ə ₀/⁰ h i ₂/²³¹ | | VanDam2025 MuishaungNeedham-3_all-1 | wʌ.tɒŋ | w ʌ + t ɒ ŋ | | Needham1897 MuishaungModern-3_all-1 | βə₀tɐuŋ₂ | β ə ₀/⁰ t ɐu ŋ ₂/²³¹ | | VanDam2025 An orthography profile was also created, and all concepts were mapped to the corresponding CONCEPTICON IDs (List et al 2025) where applicable. Language varieties are also linked to their corresponding Glottocodes (Hammarström et al 2025) to facilitate language identification. # 3 Next Steps In addition to forms given for Muishaung, the original text also includes a number of words from the Shecyü variety under the name Shâng´gê, Needham’s representation of the common exonym Shangke (Glottolog: sank1250). Occasionally forms are also given for Singpho, a distantly related Tibeto-Burman language, as well as Tai Hkamti, a Kra-Dai variety. In addition to Needham’s Muishaung description, he also published texts on Singpho and Tai Hkamti, and was thus knowledgable about both. He regularly included reference to these languages in cases where he felt the term in Muishaung was borrowed from one or the other, although in some cases with Singpho he was simply identifying cognate terms. In a future version of the data set, these forms will be fully encoded with both Needham’s orthographic representation and its corresponding IPA form, as well as the modern-day equivalents. This is intended to be published as an update to the current dataset in order to further support computer-assisted cross-linguistic comparative work. # References Blum, Frederic, Carlos Barrientos, Johannes Englisch, Robert Forkel, Simon Greenhill, Christoph Rzymski, and Johann-Mattis List (2025): Lexibank 2: pre-computed features for large-scale lexical data [version 2; peer review: 3 approved]. _Open Research Europe_ 5.126. 1-19. https://doi.org/10.12688/openreseurope.20216.2 van Dam, Kellen Parker and Kelim Mossang, Wanglung. (2025a). A Classified Account of J. F. Needham’s A Collection of A Few Môshâng Naga Words. In: Journal of Asian and African Studies 2025 (109), 111-145. https://doi.org/10.57275/ilcaajaas.2025.109_111 van Dam, Kellen Parker and Kelim Mossang, Wanglung (2025b). Supplementary materials for van Dam & Kelim Mossang 2025 [Data set, Version 1.0.0]. In Journal of Asian and African Studies (Vol. 109, pp. 111–145). Zenodo. https://doi.org/10.5281/zenodo.14053893 Forkel, Robert, Johann-Mattis List, Simon Greenhill, Christoph Rzymski, Sebastian Bank, Michael Cysouw, Harald Hammarström, Martin Haspelmath, Gereon Kaiping, and Russell D. Gray (2018): Cross-Linguistic Data Formats, advancing data sharing and re-use in comparative linguistics. _Scientific Data_ 5.180205. 1-10. https://doi.org/10.1038/sdata.2018.205 Hammarström, Harald, Robert Forkel, Martin Haspelmath, and Sebastian Bank (2025): Glottolog [Dataset, Version 5.2], Leipzig: Max Planck Institute for Evolutionary Anthropology. https://glottolog.org List, Johann Mattis, Annika Tjuka, Frederic Blum, Alžběta Kučerová, Carlos Barrientos, Christoph Rzymski, Simon Greenhill, and Robert Forkel (2025): _CLLD Concepticon_ [Data set, Version 3.4.0]. Leipzig: Max Planck Institute for Evolutionary Anthropology. https://concepticon.clld.org List, Johann-Mattis, Robert Forkel, Simon Greenhill, Christoph Rzymski, Johannes Englisch, and Russell D. Gray (2022): Lexibank, A public repository of standardized wordlists with computed phonological and lexical features. _Scientific Data_ 9.316. 1-31. https://doi.org/10.1038/s41597-022-01432-0 Needham, J. F. (1897). _A collection of a few Moshang Naga words_. Shillong: Assam Secretariat Printing Office. https://archive.org/details/collectionoffewm00needrich **Cite this article as:****** van Dam, Kellen Parker (2025): “Digitizing Legacy Lexical Data of Muishaung for Computer-Assisted Language Comparison” in _Computer-Assisted Language Comparison in Practice_ , 8.2: +++ [first published on 23/07/2025], URL: https://calc.hypotheses.org/8624, DOI: 10.15475/calcip.2025.2.1. **Download the article as PDF:** calcip-08-2-1.pdf **Copyright information** : This is an open access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited. **Supplementary Materials** : Code and data are curated on GitHub (https://github.com/phonemica/needhammuishaung, Version 1.0.0) and archived with Zenodo (https://doi.org/10.5281/zenodo.14053893). * * * OpenEdition suggests that you cite this post as follows: Kellen Parker van Dam (July 23, 2025). Digitizing Legacy Lexical Data of Muishaung for Computer-Assisted Language Comparison. _Computer-Assisted Language Comparison in Practice_. Retrieved July 23, 2025 from https://calc.hypotheses.org/8624 * * * * * * * *

Von meiner Grundeinstellung her bin ich eigentlich immer ein gut gelaunter Mensch gewesen. Es gibt Tage, an denen ich ein bisschen mies drauf bin, aber meist freue ich mich beim Aufstehen, egal wie früh das ist, einfach darauf, eine Tasse Kaffee trinken zu können, und beim Schlafen gehen freue ich mich dann oft auf die nächste Tasse Kaffee am Morgen. Was mir Freude macht ist dabei nicht beschränkt auf den Kaffee allein. Auch ein Morgen ohne Kaffee muss nicht zwangsläufig meine Stimmung senken. Vielmehr sind es die vielen kleinen und etwas größeren Probleme, die mir der Tag in Form von wissenschaftlichen Problemchen bereithält, von denen ich hoffe, dass ich sie wenigstens in Teilen lösen kann. Ich habe diese Freude eigentlich immer für meine Arbeit empfunden, auch wenn es nicht einfach war, diesem Karriereweg zu folgen. Als ich begann, Indogermanistik zu studieren, da verkündete der Lehrstuhlleiter, dass der Lehrstuhl mit seiner Pensionierung in einigen Jahren geschlossen werden würde. Dies gefährdete meinen Abschluss nicht, aber es war klar, dass das Studium eines Faches, welches die Universität nicht weiter fortführen möchte, vielleicht nicht die beste Idee ist, wenn man den Wunsch hegt, eine wissenschaftliche Karriere darauf zu begründen. Gleich mit dem Beginn meines Studiums wurde mir also schon sehr deutlich vor Augen geführt, dass die Welt an den Erkenntnissen in diesem Bereich — mögen sie nun von mir oder anderen Menschen gemacht werden — im Moment zumindest nicht besonders viel Interesse zu haben schien. Dass kaum jemand verstehen konnte, was ich eigentlich erforschte, wenn ich zu den Sanskritkursen der Indologen ging, oder versuchte, bei den Gräzisten Inschriften uralter griechischer Dialekte zu übersetzen, machte die Situation für mich nicht unbedingt leichter. Ich sah mich viel zu oft dem Zwang ausgesetzt, zu rechtfertigen, warum ich mich für etwas so Abgehobenes und Unsinniges interessierte, wie die Geschichte von Sprachen. Hätte ich nicht nebenbei noch Sinologie studiert und in Shànghǎi Chinesisch gelernt — ein Fach, das damals einen relativen Boom erlebte, weil alle fasziniert waren von den schönen Schriftzeichen und der endlos wachsenden chinesischen Wirtschaft — dann wäre es mir wohl wirklich schlecht ergangen als Student eines Fachs, das als Berufsperspektive nur die wissenschaftliche Karriere anzubieten hat und dazu im Begriff ist, aus den Universitäten zu verschwinden. Auch nach dem Studium wurde es zunächst nicht leichter für mich. Trotz einer Vielzahl von Bewerbungen, die ich versandte, schaffte ich es einfach nicht, eine Stelle zu finden, um meinen Doktor zu machen. So musste ich mich ein halbes Jahr mit Lektorenjobs in einer Übersetzungsagentur und Jonglierauftritten auf Weihnachstmärkten über Wasser halten, bis ich dann über reichlich Umwege eine Doktorstelle in Düsseldorf fand, die mein wissenschaftliches Leben entscheidend verändern sollte. Denn für diese Stelle wurde zum ersten Mal wirklich jemand gesucht, der nicht schon am selben Lehrstuhl studiert hatte. Zuvor hatte ich rasch bemerkt, dass viele Stellene einfach nur ausgeschrieben worden waren, um interne Kandidaten zu besetzen. Da war es am Ende ganz egal, wie viel Mühe man sich gab, oder wie gut man sich in die chinesische Dialektologie eingelesen hatte. In Düsseldorf war der interne Kandidate aber anderweitig eingestellt worden, weshalb die Stelle plötzlich wirklich frei war. Darüber hinaus suchte man eine Person, die sich mit Sprachgeschichte auskannte, und dabei vor allem wusste, wie man methodologisch vorgehen muss, um Sprachen zu vergleichen. Das war genau das Thema, mit dem ich mich in meiner Magisterarbeit auseinandergesetzt hatte (List 2008). Als ich die Stelle in Düsseldorf nach einigem Hin-und-Her am Ende dann doch mit großer Freude annahm und mich dort auch begeistert in meine Arbeit stürzte, änderte sich mein Leben als Forscher auf entscheidende Art. Nicht nur fühlte ich mich in meinen Fähigkeiten, die ich mitbrachte, endlich anerkannt, ich lernte auch, diese rasch auf eine ganz entscheidende Art weiter auszubauen: ich lernte, zu programmieren. Während meine ersten Versuche noch holprig waren und ich — zum Schock meines programmiererfahrenen Cousins — Codezeilen redundant mehrere tausende Male leicht verändert in dasselbe Skript schrieb, weil ich nicht wusste, wie man einen _Loop_ schreibt, so merkte ich doch rasch, wie sehr mich die Welt der Bits und Bytes faszinierte. Bald schlief ich mit dicken Lehrbüchern zur Shellprogrammierung auf dem Bauch ein, die man heute — wenn überhaupt — wohl nur noch auf dem Tablet lesen würde. Ich las Einführungsbücher zur Datenbankprogrammierung, beschäftigte mich mit dem Terminal und begann vor allem meine Fähigkeiten in der Programmiersprache Python immer weiter auszubauen. Meine erste wirkliche Publikation, die ich im Jahr 2010 veröffentlichte, beinhaltete schon die Grundlagen des Codes, der später in die LingPy-Bibliothek einfließen sollte, die zum Kernbeitrag meiner Dissertation wurde (List 2014) und inzwischen in Version 2.6.13 erschienen ist (List und Forkel 2024). Aber trotz des vermeintlichen Tempos, das ich beim Programmierenlernen vorlegte, sind meine Kenntnisse eigentlich immer noch gefühlt sehr rudimentär geblieben. Zumindest gibt es noch immer eine Menge Menschen, zu denen ich voller Ehrfurcht aufschaue, weil sie so viel mehr vom Programmieren verstehen als ich. Dieses Gefühl ist aber im Grunde ein sehr Schönes, denn es heißt, dass es für mich noch viel zu lernen gibt, und die faszinierende Reise in die Welt des Programmierens noch nicht am Ende angekommen ist. Es heißt auch, dass ich trotz meines wachsenden akademischen Alters immer noch Mentoren finden kann, die mir in meiner Arbeit helfen und denen ich vertrauen kann, dass sie mehr wissen als ich. Das Programmieren lehrte mich, anders zu denken. Ich begann meine Studien anders zu strukturieren, ich orientierte mich mehr daran, auf die Lösung von Problemen in meiner Forschung abzuzielen, anstatt Probleme lediglich zu beschreiben oder zu zerreden. Ich habe — zumindest für meine eigene Arbeit — eine gewisse Abneigung gegenüber dem entwickelt, was man in der Linguistik zuweilen als “theoretische Arbeiten” bezeichnet. Wenn etwas nur scheinbar formal ist und theoretische Arbeiten die konkrete Umsetzung in Code nicht anstreben, sondern sich ihr zuweilen sogar sperren, dann erinnert es mich einfach viel zu sehr an die Besinnungsaufsätze, die wir in der Schule schreiben mussten. Auch denen, die bei mir studieren und eine Hausarbeit schreiben sollten, rate ich seitdem grundlegend, ein empirisches Thema zu wählen, in dessen Rahmen sie selbst etwas tun können, anstatt mir nur den langweiligen Forschungsstand zu einem Thema zusammenzutragen. Was mich zusätzlich prägte in dieser Zeit, war, dass ich begann, Vertrauen in meine Forschung aufzubauen. Während meines Studiums hatte mich immer die Angst geplagt, es vielleicht nicht zu schaffen, mein Ziel, eine Doktorarbeit zu schreiben und Wissenschaftler zu werden, zu verwirklichen. In den Monaten der inoffiziellen Arbeitslosigkeit nach der Beendigung meines Studiums, die geprägt waren von Absagen auf gefühlt unzählige Bewerbungen, hatte ich die Hoffnung, Wissenschaftler werden und bleiben zu können, zwar nicht aufgegeben, ich war jedoch sehr ernüchtert von meinen eigenen Fähigkeiten und fühlte mich grundlegend nutzlos. Im Studium hatte ich zwar gelernt, Russisch und Chinesisch zu sprechen und die Aussprache des Altchinesischen zu rekonstruieren. Ich hatte es aber eben nicht geschafft, mich für einen normalen Job jenseits der Wissenschaft zu qualifizieren. Nicht mal ein wirklicher Übersetzer war ich, und als Straßenkünstler konnte man in Berlin kaum etwas verdienen. Durch das Programmieren hatte ich das Gefühl, endlich etwas zu lernen, was man vielleicht auch außerhalb der Wissenschaft würde nutzen können (auch wenn ich das gar nicht wollte). Als Doktorand in Düsseldorf fiel mir allmählich auf, dass ich nicht der einzige Linguist war, der sich zeitweise nutzlos fühlte. Es zeigte sich, dass fast alle, die zu dem Zeitpunkt an ihren Doktorarbeiten arbeiteten, eine relativ große Skepsis gegenüber der eigenen Disziplin hatten. Die Frage, warum man bestimmte linguistische und philosophische Probleme untersuchen sollte, verfolgte viele von uns. Sie schwebte über uns im Raum und zeigte sich immer dann, wenn mal wieder jemand beim Eintippen von Daten oder beim Lesen von Artikeln neidisch auf die Bauarbeiter oder Gärtner vor dem Fenster schaute und frustriert und manchmal auch feierlich und sehnsuchtsvoll anmerkte, dass die am Ende des Tages ja viel glücklicher sein müssten, da sie sehen könnten, was sie geschafft haben. Da unser Projekt aber interdisziplinär ausgerichtet war und ich im Team mit Biologen arbeitete, die uns helfen sollten, Computermethoden aus der Bioinformatik auf die Linguistik anzuwenden, lernte ich gleichzeitig eine ganz andere Seite der Wissenschaft kennen. Während die Linguisten mit ihren Theorien haderten, schienen mir die Biologen eigentlich immer fröhlich zu sein. Obwohl sie sich mit Fragen beschäftigten, deren Potenzial, Konsequenzen für die Welt zu haben, sicher genauso gering war, wie das Potenzial der Fragen der Sprachwissenschaftler, schien sie das eigentlich nie wirklich zu jucken. Sie zweifelten nicht an sich. Sie programmierten fröhlich vor sich hin, lachten über ihren Code, grillten den ganzen Sommer auf dem Balkon ihres Instituts und tranken dabei Bier, und freuten sich, wenn jemand einen Artikel in einer großen Zeitschrift landen konnte. Ich weiß nicht woran es lag, dass die Biologen immer so fröhlich waren, aber als ich nach meiner ersten Post-Doc-Stelle ein Stipendium in Paris antrat, wo ich in zwei “Labs” arbeitete, einem linguistischen und einem biologischen, da war es nicht groß anders. Wenn jemand eine ernste Miene machte, über die Arbeit stöhnte und unzufrieden herumlief, dann war es mit großer Wahrscheinlichkeit eine Linguistin oder ein Linguist. Wenn jemand fröhlich pfeifend im viel zu engen Büro vor seinem Computer saß und die Kolleginnen und Kollegen zur Seite mit nerdigen Witzen ablenkte, dann war es mit großer Wahrscheinlichkeit eine Biologin oder ein Biologe. Heute denke ich, dass der Unterschied zwischen Biologen und Linguisten (oder allgemeiner vielleicht sogar der Unterschied zwischen Natur- und Geisteswissenschaftlern) im Selbstverständnis der Disziplinen liegt. In den Naturwissenschaften zweifelt man selten daran, dass das, was man tut, sinnvoll ist. Man scheint auf die Kumulativität von Wissen zu vertrauen. Wer eine Amöbe erforscht, rettet damit keine Elefanten, aber das Wissen trägt dazu bei, unser Wissen um Lebewesen zu steigern und kann indirekt oder direkt nicht nur zu neuen Erkenntnissen, sondern auch zu neuen Innovationen führen. In den Geisteswissenschaften, die ja oft weniger Forschungsgelder einwerben, weniger prominent publizieren, und auch von der Geselleschaft weniger wohlwollend beobachtet werden, scheinen die Zweifel am eigenen Tun dagegen besonders ausgeprägt zu sein. Man zweifelt an sich selbst, man zweifelt am Tun der anderen, und man hadert darüber hinaus mit der Ungerechtigkeit des deutschen Wissenschaftssystems, welches sich bharrlich weigert, die geisteswissenschaftlichen Zweifler und Nörgler angemessen zu fördern. Dank meiner Begegnungen in Düsseldorf ist mir dieser Weg der Zweifel am eigenen Tun weitestgehend erspart geblieben. Ich habe mich von der guten Laune, die die Biologen verbreiteten, einfach mittreiben lassen und schon im ersten Jahr meiner Doktorarbeit mit mir persönlich vereinbart, dass ich mir fortan meine Forschung von niemandem mehr kaputtmachen lasse, ganz besonders nicht von mir selbst. In meinem Werdegang hat mir das unwahrscheinlich geholfen. Da ich auch nach meiner Doktorarbeit mit meinem komischen Forschungsprofil, das Bioinformatik, Sprachtypologie und historische Linguistik vereinte, kaum an normale linguistische Institute vermittelt werden konnte, musste ich die Gelder selbst einwerben, um mich zu finanzieren. Dies gelang mir dann zunächst über ein Forschungsstipendium der DFG in den Jahren 2015 und 2016, dem sich ein ERC Starting Grant anschloss, der es mir erlaubte, von 2017 bis 2022 meine eigene Nachwuchsgruppe zu leiten (List 2017). Dem Schloss sich ein Forschungsgrant der Max-Planck-Gesellschaft von 2022 bis 2024 an, und schließlich ein ERC Consolidator Grant, an dem ich seit 2023 forsche (List 2023). Dies mag den Anschein erwecken, als wäre ich vom Erfolg verwöhnt worden. Meine Erfolgsrate beim Einwerben von Projekten liegt aber wohl nicht höher als 20%. Ich habe also pro gefördertem Projekt im Schnitt mindestens fünf Projekte beantragt, zuweilen sogar mehr, immer zu unterschiedlichen Themen. Dass ich nie in den Genuss der berüchtigten _Kettenverträge_ kam, die einen an derselben Universität verharren lassen, mit Verträgen, die selten länger als 12 Monate dauern, war am Ende vielleicht sogar ein Vorteil. Wenn man mit dem Rücken zur Wand steht, und nicht einmal auf die nächste Verlängerung des Vertrages um einige Monate hoffen kann, dann setzt man eben alles daran, sich aus eigener Kraft oben zu halten und lernt, sich auf so gut wie niemanden wirklich zu verlassen. Dass ich mich einmal mit meiner Forschung um die kompetitivsten Fördermittel des Europäischen Forschungsrats würde erfolgreich bewerben können, hätte ich direkt nach dem Abschluss meines Magisterstudiums wohl kaum geglaubt. Ich bin sicher, dass es am Ende die Stimmung bei den Biologen war, die mir half, meine wissenschaftliche Karriere auf meine ganz individuelle Weise zu verfolgen. Ich hatte einfach gelernt, zu vertrauen, dass das, was ich tue, ein grundlegendes Potenzial hat, das ich nicht ständig selbst anzweifeln müsste. Ohne diese positive Grundeinstellung hätte ich mit meinem Außenseiterstatus und meinem ungewöhnlichen Forschungsprofil wohl nie in der Wissenschaft bleiben können. Sie trägt mich heute noch immer. ## Literatur List, Johann-Mattis and Forkel, Robert (2023): LingPy. A Python library for quantitative tasks in historical linguistics [Software Library, Version 2.6.13]. Passau: MCL Chair at the University of Passau. https://pypi.org/project/lingpy List, Johann-Mattis (2008): Rekonstruktion der Aussprache des Mittel- und Altchinesischen. Vergleich der Rekonstruktionsmethoden der indogermanischen und der chinesischen Sprachwissenschaft [Reconstruction of the pronunciation of Middle and Old Chinese. Comparison of reconstruction methods in Indo-European and Chinese linguistics]. Magister thesis. Freie Universität Berlin: Berlin. https://hal-hprints.archives-ouvertes.fr/hprints-00742552/file/list-2008-magisterarbeit.pdf List, Johann-Mattis (2014): Sequence comparison in historical linguistics. Düsseldorf:Düsseldorf University Press. https://sequencecomparison.github.io List, Johann-Mattis (2017): Computer-Assisted Language Comparison. Reconciling computational and classical approaches in historical linguistics [Research Project, 2017–2022]. Leipzig:Max Planck Institute for Evolutionary Anthropology. https://cordis.europa.eu/project/rcn/206320_en.html List, Johann-Mattis (2023): Productive Signs. A Computer-Assisted Analysis of Evolutionary, Typological, and Cognitive Dimensions of Word Families. Passau:Chair of Multilingual Computational Linguistics. https://cordis.europa.eu/project/id/101044282/de * * * OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren: Johann-Mattis List (10. Juli 2025). Von der Einstellung. _Von Wörtern und Bäumen_. Abgerufen am 10. Juli 2025 von https://wub.hypotheses.org/2895 * * * * * * * *

Ich habe vor zwei Wochen, im Rahmen eines Oberseminars, für das ich eine neue Idee zu einer neuen Studie vorbereitethatte, mal wieder festgestellt, wie extrem man sich vertun kann, wenn man ohne groß nachzudenken, drauf los programmiert und sich wenig Gedanken darum macht, was einzelne Blöcke im Code, den man über längere Zeiträume geschrieben hat, eigentlich bedeuten. Am Ende hatte ich zwar nicht durch Null geteilt (wenn das passiert, streiken Computer ohnehin freundlicherweise sofort), aber eben doch vollkommen falsche Ergebnisse zu einer neuen Idee vorgestellt, an der ich im Laufe der letzten Jahre eher halbherzlich gearbeitet hatte. Während ich die Probleme in meinem Computercode inzwischen beheben konnte, und mir derartige Fehler auch gut verzeihen kann, ohne mich zu sehr darüber zu schämen oder zu grämen, wurde mir im Zusammenhang mit diesem Fauxpas wieder einmal klar, wie vorläufig die Erkenntnisse in der Wissenschaft eigentlich sind. Verantwortlich für diese Vorläufigkeit wissenschaftlicher Erkenntnisse sind zwei grundlegende Aspekte. Zum einen gehen wir ja davon aus, dass wir in unseren Erkenntnissen immer weiter voranschreiten. Solange ein Wissensfeld nicht komplett abgegrast ist, werden wir immer die Möglichkeit finden, Erkenntnisse präziser zu fassen, oder differenzierter zu sehen. Das ist in dem heutigen Verständnis wissenschaftlicher Forschung ja direkt so angelegt. Zum anderen sind wir als Menschen auch einfach fehlbar. Wir gehen von falschen Grundannahmen aus, verallgemeinern auf falsche Weise, oder schauen nicht mehr nach rechts und links, wenn wir der Meinung sind, den Weg zu kennen. Unserer Fehlbarkeit und unserem Anspruch, dass wir unser Wissen verbessern und weiterentwickeln, ist kein Peer-Review-Verfahren gewachsen. Es gibt aus dieser langfristigen Perspektive tatsächlich keine gesicherten Kenntnisse, wie sie von unbedachten Menschen oft propagiert oder gefordert werden. Dies heißt jedoch auch nicht, das alle wissenschaftlichen Kenntnisse falsch sind, oder man sie pauschal in Zweifel ziehen kann. In vielen Bereichen sind die Erkenntnisse, die wir im Moment haben, so gut gesichert, dass es sehr unwahrscheinlich wäre, davon auszugehen, dass sie sich in den nächsten Jahrzehnten radikal ändern werden. Im Bereich der Medizin haben wir eine Vielzahl von Behandlungsmethoden oder Präventionsverfahren, die in den meisten Fällen die beste Wahl sind, weshalb es sehr dumm wäre, sie anzuzweifeln und das Vertrauen in sie systematisch zu zerstören. Wenn wir Gebäude bauen, dann gehen wir auch davon aus, dass die Schwerkraft und die allgemeinen Eigenschaften von Materialien wissenschaftlich gut genug beschrieben sind, um zu verhindern, dass alles binnen kürzester Zeit in sich zusammenfällt. Wenn wir eine Sprache lernen wollen, dann tun wir gut daran, der Lernergrammatik, die wissenschaftlich geschulte Linguisten erstellt haben, erst mal unser Vertrauen zu schenken, bevor wir anfangen, Kasusendungen und Satzbau, die dort beschrieben werden, mit Misstrauen zu behandeln. Natürlich trifft diese relativ große Sicherheit, die wir sicher in allen wissenschaftlichen Disziplinen antreffen können, nicht auf alle Fragestellungen zu. Ich würde um keinen Preis eine Wette auf das Alter der indogermanischen Ursprache abgeben, nicht nur, weil es in den letzten 20 Jahren zahlreiche Studien gab, die mit Computermethoden zu unterschiedlichen Ergebnissen gekommen sind (vgl. bspw. Gray und Atkinson 2003 mit Bouckaert et al. 2012, Chang et al. 2015 und Heggarty2023), sondern auch weil ich selbst an Studien beteiligt war, die zeigen, dass es eine ganze Menge an Faktoren gibt, die diese Analysen mitunter recht stark beeinflussen können (vgl. Geisler und List 2010 und Snee et al. 2025). Ich verzichte in meiner Arbeit auf die Nutzung von Sprachmodellen, die mir meine Texte generieren könnten, nicht nur aus wissenschaftsethischen Gründen, oder weil ich an der Qualität generierter Texte zweifle, sondern auch deshalb, weil ich denke, dass uns gesicherte Erkenntnisse fehlen, um die Wirkung dieser Tools auf unseren Geist abzuschätzen (vgl. die noch nicht begutachtete Studie von Kosmyna et al. 2025 zum Einfluss intensiver Chatbotnutzung auf unsere mentalen Fähigkeiten). Ich halte auch alle Debatten um die sogenannte _linguistische Relativität_ , insbesondere die starke Sapir-Whorf-Hypothese (Whorf 1950), für grundlegend sinnlos. Denn die Hypothese, dass unsere Sprachen in ihrer Unterschiedlichkeit oder ihren spezifischen Strukturen unser Denken so sehr beeinflussen, dass sie zu Verhaltensweisen der Sprecherinnen und Sprecher führen, die mit anders strukturierten Sprachen nicht auftreten würden, wurde bisher vorwiegend fern von jeglichen Daten zu den Sprachen der Welt diskutiert. Neuere Studien haben zwar gezeigt, dass bestimmte Aspekte menschlicher Kognition, wie die Farbwahrnehmung, auf komplexe Wechselwirkungen mit Umgebung und Sprache zurückgehen können (Dediu et al. 2023, Twomey et al. 2021), aber in welche Richtung die Wechselwirkung geht, ist dabei alles andere als klar. Es scheint vielmehr so zu sein, dass Sprachen sich in bestimmten Aspekten (wie zum Beispiel der Benennung von primären Farben, vgl. Berlin und Kay 1969) relativ klar ähneln, egal wo und von wem sie gesprochen werden, während wir in anderen Fällen, wie zum Beispiel in den Ausdrücken für Emotionen (Jackson et al. 2019) oder der Benennung von Körperteilen (Tjuka et al. 2024) relativ große Unterschiede vorfinden können. Sprache kann das Denken beeinflussen, ja, aber genauso kann unser Denken auch unsere Sprachen beeinflussen. Eine klare Richtung gibt es hier wohl einfach nicht und wir stochern, was die individuellen Wechselwirkungen zwischen Sprache und Denken betrifft, weitestgehend im Trüben. Wenn wir den Erkenntnisstand zum Alter und Ursprung des Indogermanischen, zu den Folgen der exzessiven Verwendung von Sprachmodellen, oder zur Plausibilität der Hypothese, dass Sprache unser Denken unmittelbar beeinflusst, wissenschaftlich bewerten wollen, so kann man wohl sagen, dass bei der Evidenzlage, die zu diesen Fragen vorliegt, keine Kommission eine Handlungsempfehlung für die Politik aussprechen würde. Impfstoffe, deren Wirkung und Nebenwirkung so gut verstanden werden, wie diese drei umstrittenen Forschungsfragen, würden wohl nicht über das Stadium der Tierversuche hinauskommen, vielleicht würde man Tierversuche nicht mal gestatten. Im Zusammenhang mit dem, was die Wissenschaftlichkeit von Forschung ausmacht, wurden in den letzten Jahren, insbesondere seit der Pandemie, hitzige Diskussionen geführt. Der Tenor in diesen Diskussionen stört mich persönlich extrem. Auf der einen Seite haben wir die Wissenschaftler oder auch die Journalisten, die die Wissenschaft als eine Methode darstellen, die über jeden Zweifel erhaben ist. Wer es wagt, bestimmte Erkenntnisse, von denen behauptet wird, sie seien durch Studien gesichert oder gar wissenschaftlich erwiesen, in Zweifel zu ziehen, wird von diesen Menschen hart angegangen und mit Personen, die jede Verschwörungstheorie und jede Falschnachricht für unbestreitbare Wahrheiten halten, in einen Topf geworfen. Auf der anderen Seite haben wir die Demagogen, Populisten, und von Internet und sozialen Medien mental geschädigten Menschen, welche die Fehlbarkeit und Vorläufigkeit wissenschaftlicher Erkenntnisse, aus denen redliche Vertreter der Wissenschaft nie einen Hehl gemacht haben, als Anlass nehmen, um die Wissenschaft an sich zu diskreditieren. Während es sicher nicht so schwer wäre, sich freundlich mit den Wissenschaftsgläubigen und den Wissenschaftsleugnern getrennt voneinander auseinanderzusetzen, hat die Rhetorik zwischen beiden Lagern eine Dynamik entfacht, welche die wissenschaftliche Forschung im Ganzen zu bedrohen beginnt und sie zum Spielball politischer Interessen degenieriert. Den absurdesten Auswuchs dieser unheilvollen Dynamik stellt für mich die unlängst geäußerte Kritik an Wissenschaftlern und Studien dar, die in der Vergangenheit versucht haben, Schwächen in der wissenschaftlichen Praxis aufzuzeigen. Dass Forscher im Zusammenhang mit der _Replikationskrise_ in der Psychologie (Muthukrishna and Henrich 2019) rigoros versucht haben, alte Studien zu wiederholen und Verfahren zu entwickeln, die Fehler in psychologischen Studien minimieren, wird nun als der Grund angeführt, warum das Vertrauen in die Wissenschaft in den letzten Jahren erodiert sei (O’Grady 2025). Das absurde Argument der Verfechter dieser Idee ist, dass das offene Zurschaustellen der Schwächen des wissenschaftlichen Systems und der Vorläufigkeit wissenschaftlicher Erkenntnisse demagogischen Populisten die argumentatorischen Waffen geliefert hätte, mit den verhassten Eliten in ihren Elfenbeintürmen überhaupt erst abzurechnen. Diese Argumentation macht mich unglaublich wütend, da sie in ihrer argumentatorischen Struktur selbst einen der Hauptgründe für den Vertrauensverlust in die Wissenschaft liefert. Denn die arrogante Haltung einiger Wissenschaft betreibender oder rezipierender Personen, dass nur die Wissenschaft _wahre_ Erkenntnisse liefern könne, und wissenschaftliche Erkenntnisse scheinbar absolut über jeglichen Zweifel erhaben seien, hat doch erst dazu geführt, dass sich ein von Populisten angetriebenes Gegenlager gegen diese religiös anmutende Haltung formieren konnte. Diese Haltung besagt ja eigentlich nichts anderes, als dass es besser gewesen wäre, diese Erkenntnisse — dass man vielen Studien in der Psychologie besser nicht trauen sollte — unter dem Tisch zu halten. Wenn man Forschungsergebnisse zurückhält, die der eigenen Theorie zuwiderlaufen, dann macht man sich jedoch des wissenschaftlichen Fehlverhaltens schuldig. Wer solches Handel für die Wissenschaft propagiert, zieht der Wissenschaft ihre eigenen Grundprinzipien unter den Füßen weg. Wissenschaft beruht auf dem Zweifeln, Wissenschaft beruht auf dem Vertrauen in die Vorläufigkeit der Erkenntnisse, Wissenschaft beruht auf absoluter Transparenz und Offenheit. Wer davon ausgeht, dass es bestimmte Wahrheiten gibt, die man den “normalen Menschen” besser vorenthalten sollte, um ihr Vertrauen in die Wissenschaft nicht zu sehr zu erschüttern, der nimmt der wissenschaftlichen Methode das Fundament, auf dem sie steht: das Recht, an der Endgültigkeit von Erkenntnissen zu zweifeln und sie aktiv zu überprüfen. ## Literatur Brent Berlin and Paul Kay (1969): Basic color terms: Their universality and their evolution. Berkeley: University of California Press. Bouckaert, Remco and Lemey, Philippe and Dunn, Michael and Greenhill, Simon J. and Alekseyenko, Aalexander V. and Drummond, Alexei J. and Gray, Russell D. and Suchard, Marc A. and Atkinson, Quentin D. (2012): Mapping the origins and expansion of the Indo-European language family. _Science_ 337.6097. 957-960. https://doi.org/10.1126/science.1219669 Chang, Will and Cathcart, Chundra and Hall, David and Garret, Andrew (2015): Ancestry-constrained phylogenetic analysis ssupport the Indo-European steppe hypothesis. _Language_ 91.1. 194-244. Dan Dediu (2023): Ultraviolet light affects the color vocabulary: evidence from 834 languages. _Frontiers in Psychology_ 14. https://doi.org/10.3389/fpsyg.2023.1143283 Geisler, Hans and List, Johann-Mattis (2010): Beautiful trees on unstable ground. Notes on the data problem in lexicostatistics. https://hal.archives-ouvertes.fr/hal-01298493 Gray, Russell D. and Atkinson, Quentin D. (2003): Language-tree divergence times support the Anatolian theory of Indo-European origin. _Nature_ 426.6965. 435-439. Paul Heggarty and Cormac Anderson and Matthew Scarborough and Benedict King and Remco Bouckaert and Lechos\law Jocz and Martin Joachim Kümmel and Thomas Jügel and Britta Irslinger and Roland Pooth and Henrik Liljegren and Richard F. Strand and Geoffrey Haig and Martin Mac\’ak and Ronald I. Kim and Erik Anonby and Tijmen Pronk and Oleg Belyaev and Tonya Kim Dewey-Findell and Matthew Boutilier and Cassandra Freiberg and Robert Tegethoff and Matilde Serangeli and Nikos Liosis and Krzysztof Stro\’nski and Kim Schulte and Ganesh Kumar Gupta and Wolfgang Haak and Johannes Krause and Quentin D. Atkinson and Simon J. Greenhill and Denise Kühnert and Russell D. Gray (2023): Language trees with sampled ancestors support a hybrid model for the origin of Indo-European languages. _Science_ 381.6656. https://doi.org/10.1126/science.abg0818 Joshua Conrad Jackson and Joseph Watts and Teague R. Henry and List, Johann-Mattis and Peter J. Mucha and Robert Forkel and Simon J. Greenhill and Russell D. Gray and Kristen Lindquist (2019): Emotion semantics show both cultural variation and universal structure. _Science_ 366.6472. 1517-1522. https://doi.org/10.1126/science.aaw8160 Nataliya Kosmyna and Eugene Hauptmann and Ye Tong Yuan and Jessica Situ and Xian-Hao Liao and Ashly Vivian Beresnitzky and Iris Braunstein and Pattie Maes (2025): Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. _arXiv_ 2506.08872. 1-206. https://arxiv.org/abs/2506.08872 Michael Muthukrishna and Joseph Henrich (2019): A problem in theory. _Nature Human Behaviour_ . 1-9. https://doi.org/10.1038/s41562-018-0522-1 O’Grady, Cathleen (2025): Science’s reform movement should have seen Trump’s call for ‘gold standard science’ coming, critics say. _Science_ June.10. https://doi.org/10.1126/science.zlwoaxz Snee, David and Ciucci, Luca and Rubehn, Arne and van Dam, Kellen Parker and List, Johann-Mattis (2025): Unstable Grounds for Beautiful Trees? Testing the Robustness of Concept Translations in the Compilation of Multilingual Wordlists. In: Proceedings of the 7th Workshop on Research in Computational Linguistic Typology and Multilingual NLP (SIGTYP 2025). 1-12. https://doi.org/10.48550/arXiv.2503.00464 Tjuka, Annika and Forkel, Robert and List, Johann-Mattis (2024): Universal and cultural factors shape body part vocabularies. _Scientific Reports_ 14.10486. 1-12. https://doi.org/10.1038/s41598-024-61140-0 Twomey, C. R. and Roberts, G. and Brainard, D. H. and Plotkin, J. B. (2021): What we talk about when we talk about colors. _Proceedings of the National Academy of Sciences United States of America_ 118.39. . Benjamin Lee Whorf (1950): An American Indian Model of the Universe. _International Journal of American Linguistics_ 16.2. 67-72. https://doi.org/10.1073/pnas.2109237118 * * * OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren: Johann-Mattis List (19. Juni 2025). Von der Vorläufigkeit der Erkenntisse. _Von Wörtern und Bäumen_. Abgerufen am 19. Juni 2025 von https://wub.hypotheses.org/2853 * * * * * * * *

Ich bin seit 2023 Leiter des Lehrstuhls für Multilinguale Computerlinguistik an der Universität Passau. Unabhängige Forschung — im Sinne von Forschung, die ich eigenständig betreibe, weil ich die Forschungsgelder selbst in kompetitiven Verfahren eingeworben habe — betreibe ich seit inzwischen zehn Jahren. Seit mehr als 20 Jahren fasziniert mich die Wissenschaft, insbesondere die Sprachwissenschaft, aber seit langer Zeit auch alles, was man mit Computern machen kann. Was mich allerdings noch viel länger als die Wissenschaft in meinem Leben begleitet, ist die Jonglierkunst. Mit Bällen, Keulen, Ringen und anderen Gegenständen hantiere ich begeistert seit inzwischen 30 Jahren. Von ersten zaghaften Versuchen mit 3 Bällen gelang es mir über 4 Bälle, 5 Bälle und 6 Bälle bis zum Üben von 7 Bällen heranzukommen. Mehr habe ich in den 30 Jahren dann aber auch nicht gelernt. Das zeigt zum einen, dass die Lernkurve in Bezug auf die Zunahme neuer Bälle beim Jonglieren unglaublich steil ist. Zum anderen zeigt es aber auch schön, dass es beim Jonglieren eben nicht immer nur auf dieses kapitalistische Element des “Größer”, “Weiter” und “Schneller” ankommt. Manche Dinge kann man auch 30 Jahre lang betreiben, ohne sich ungesunden Ambitionen nach Zuwachs jeder Art hinzugeben. Das Jonglieren gehört definitiv dazu. Was am Jonglieren aber auch besonders ist, ist die allgemeine Geisteshaltung, die damit verbunden ist. Menschen, die jonglieren, teilen oft eine ganze Reihe von Eigenschaften. Sie lösen gern Geschicklichkeitsprobleme, sie treten gern vor anderen Menschen auf, sie widmen sich einem steten Kampf gegen die Schwerkraft. Es ist daher vielleicht nicht ganz verwunderlich, dass viele Menschen, die jonglieren, auch Physik, Mathematik, oder Informatik studieren oder studiert haben. Ich selbst bin da eher eine Ausnahme mit meinem Studium der Vergleichenden Sprachwissenschaften, auch wenn das Fach natürlich auch einige nerdhafte Züge aufweist. Die große Dichte an Mathematik- und Informatikbegeisterten erklärt vielleicht auch, warum Jongleure schon vor mehr als zwei Jahrzehnten anfingen, sich Gedanken darum zu machen, wie man Jonglierkunststücke denn eigentlich modellieren könnte. Die Idee war, ein formales Modell zu entwerfen, das in der Lage sein sollte, eine Reihe von Tricks zu generieren. Durch die Implementierung eines solchen Modells wäre man dann in der Lage, kleine Programme zu schreiben, die Tricks simulieren und somit sichtbar machen könnten, an die vielleicht vorher keiner gedacht hatte. Diese Idee fand ihre Realisierung in der Siteswap-Notation. Darunter versteht man unter Jongleuren eine spezifische Notation, die es erlaubt, bestimmte Jongliermuster (nicht alle), systematisch als eine Folge von Zahlen zu beschreiben, wobei eine Zahl jeweils für einen Wurf steht. Den Zahlen selbst liegt dabei eine Systematik zugrunde. Ungerade Zahlen stehen für Würfe von einer Hand zur anderen. Gerade stehen für Würfe, die nach oben gehen, ohne die Hand zu kreuzen (sogenannte _Säulen_). Eine 3 beschreibt dabei einen Wurf von einer Hand zur anderen mit der Höhe, die man benötigt, um drei Bälle zu jonglieren. Die Zahlenfolge `3 3 3` kodiert das klassische Dreiballmuster im Rahmen der Kaskade. Die Zahlenfolge `5 5 5 5 5` beschreibt das Muster für fünf Bälle, `4 4 4 4` steht für die klassische Vierballjonglage (wobei in jeder Hand zwei Bälle getrennt voneinander jongliert werden). Meine erste Reaktion, als man mir von der Siteswap-Notation erzählte, war sehr ablehnend. Ich war der Meinung, dass es sich beim Jonglieren um eine gewisse Form von Kunst handelt und dachte, dass Zahlen und Notationssysteme daher dort nichts zu suchen haben. Tricks sollten auf Basis menschlicher Kreativität entwickelt werden. Die Idee, Jongliermuster mit Hilfe von Formel zu generieren, stieß mich ab. Sie war mir viel zu nerdig und ihr mangelte es auch das, was das Jonglieren für mich bedeutete: einen Raum, in dem ich meine eigenen Ideen ausleben konnte, die mir so kreativ zu sein schienen, dass sie nie in Zahlenfolgen passen würden. Diese Einstellung hat sich — auch wenn ich selbst das System nur unzureichend verstehe — inzwischen jedoch stark geändert. Der Grund ist, dass die Siteswapmacher nicht nur geliefert haben, was sie versprachen, sondern eigentlich auch weit darüber hinausgegangen sind. Siteswaps, also Muster, die mit Hilfe der Notation generiert wurden oder sich in der Notation darstellen lassen, gehören inzwischen zum guten Ton, nicht nur in der Jonglierszene, sondern auch im Mainstream, in dem Jongleure im Varieté oder im Zirkus auftreten. Das Versprechen, ein _implementierbares Modell_ zu liefern im Sinne von Bröker und Ramscar (2021) haben die Siteswapmacher gehalten. Aus der informellen Notation, wie sie in einem Prosatext beschrieben wurde (Phillips 2001) haben Informatikbegeisterte Jongliernerds rasch ganze Computerprogramme implementiert, die es ermöglichen, eine Webseite zu öffnen und beliebige Tricks animiert jonglieren zu lassen. Das kann jede interessierte Person selbst ausprobieren, indem sie Muster wie `531` oder `441` auf den entsprechenden Webseiten eingibt, um dann die Ergebnisse direkt anschauen zu können. Dadurch, dass Menschen heutzutage fünf Bälle und mehr um ein vielfaches besser jonglieren können also noch vor 20 Jahren, hat die Anzahl von ungewöhnlichen Mustern, die auch ästhetisch fein anzusehen sind, rapide zugenommen. Ob Straßenkünstler, Varietéjongleur, oder Zirkusartist. Wer ordentlich jonglieren kann, wird zwangsläufig den einen oder anderen _Siteswap_ auf der Bühne zeigen. Als Beispiel für ein besonders schönes Muster, empfehle ich das Muster `97531` in der Simulation anzuschauen. Das ist ein Trick, der mit fünf Bällen jongliert wird, die man gestaffelt in die Höhe wirft. Der erste Ball auf die Höhe von neun Bällen, der zweite auf die Höhe von sieben Bällen, dann fünf, dann drei, und bei der eins muss man einfach von einer Hand in die andere übergeben. Ich denke, ich lehne mich nicht zu weit aus dem Fenster, wenn ich sage, dass vor der Einführung der Notation kaum einer daran gedacht hatte, solche Muster zu werfen. Was die Popularität der Siteswaps betrifft, sind diese jedoch streng auf die Jonglierszene begrenzt. Normale Menschen, die Jongliermuster sehen, können oft den Unterschied zwischen einem einfachen `55555` mit fünf Bällen (normales Jongliermuster) und dem komplexeren `645` (einem Trick mit fünf Bällen, bei dem zwei Bälle jeweils senkrecht geworfen werden, und einer kreuzt) unterscheiden. Zumindest ernte ich auch nach 20 Jahren, in denen ich relativ regelmäßig Straßenauftritte durchgeführt habe, nach wie vor keine große Begeisterung, wenn ich einen `645` jongliere. Die richtige Stimmung kommt ohnehin erst dann auf, wenn man drei Fackeln anzündet. Ob man vorher fünf Bälle, sieben Bälle, oder komplexe Siteswaps geworfen hat, ist den meisten Menschen egal. Ich finde, dass die Siteswaps auf eindrucksvolle Weise zeigen, warum wir in der Wissenschaft modellieren wollen und sollten. Wir können mit Hilfe formaler Modelle eben systematisch bestimmte Bereiche des Lebens und der Welt systematisch ausleuchten und durch die engen Vorgaben der Modelle dadurch Dinge entdecken, die uns beim modellunabhängigen Betrachten der Realität vielleicht nicht aufgefallen wären. Daher ist mir die Modellierung auch in meiner eigenen Forschung so wichtig geworden. Wie bei den Siteswaps erhoffe ich mir davon keineswegs, eine realistische Beschreibung von so komplexen Phänomenen wie dem Sprachwandel zu erlangen. Es geht vielmehr darum, durch die Modelle _neue Aspekte_ an dem Untersuchungsbereich zu entdecken, die man ohne die Modelle nicht gesehen hätte. Wissenschaft wie Kunst brauchen aber neben den Modellen auch zuweilen die kleinen Funken der Erleuchtung. Sei es, um das richtige Modell zu finden, oder um bestimmte Aspekte zu entdecken, die zuvor verborgen geblieben sind und daher nicht modelliert werden konnten. In Wissenschaft wie Kunst kommt es daher wohl am Ende auf das richtige Zusammenspiel zwischen dem Bilden von Modellen und dem Empfangen oder Erzeugen von Geistesblitzen an. Ich habe mir den Hang zur Modellierung vor allem für die Wissenschaft aufgehoben. Beim Jonglieren bewundere ich die Siteswapnotation und Menschen, die damit nahezu spontan neue Muster jonglieren können, ohne selbst dazu in der Lage zu sein. In der Wissenschaft setze ich Modelle dafür an die erste Stelle. Ein Trick, den ich mit großem Enthusiasmus seit einem Jahr übe, und der garantiert nicht mit Hilfe eines Zahlenmodells erzeugt wurde, beginnt damit, dass man fünf Bälle normal jongliert, bis dass ein Ball ein wenig höher in die Luft geworfen wird, während man die übrigen vier Bälle zu jeweils zwei Bällen in der linken und rechten Hand auffängt. Danach werden zwei Bälle aus der rechten Hand rasch in die linke Hand übergeben, wobei der zuerst hoch abgeworfene Ball noch immer in der Luft ist und sich langsam im Sinkflug befindet. Nach oder während der Übergabe dreht man sich dann rasch in einer halben Drehung um die eigene Achse und beugt sich nach vorn, um den fünften Ball mit der leeren rechten Hand zu fangen, die zwischen die Beine nach hinten greift. Er gelingt mir immer besser und es macht einfach nur Freude, diesen Trick zu werfen, weil er so viele unterschiedliche Elemente miteinander vereint. Jongleure nutzen keine Zahl, um ihn zu bezeichnen. Unter ihnen firmiert er einfach nur als _Arschfang_. ## Literatur Bröker, Franziska and Ramscar, Michael (2021): Representing absence of evidence: Why algorithms and representations matter in models of language and cognition. _Language, Cognition and Neuroscience_ 37.1. 1-24. Phillips, Greg (2001): Understanding Siteswap juggling patterns. A guide for the perplexed. https://www.jugglingedge.com/pdf/siteswap-notes-a4.pdf * * * OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren: Johann-Mattis List (19. Mai 2025). Vom Modellieren. _Von Wörtern und Bäumen_. Abgerufen am 19. Mai 2025 von https://wub.hypotheses.org/2822 * * * * * * * *

6 Beiträge, 50 Folge ich, 34 Follower · PhD researcher at Max-Planck Institute for Evolutionary Anthropology and the University of Passau. Studying the history of South American languages and linguistic typology.