pdf - Universität zu Köln

Die relativ hohe Quote von nicht einem Sprachkontext zuordbaren Familiennamen liegt
zum einen an der Ähnlichkeit einiger Sprachen, so dass eine eindeutige Zuordnung nicht
möglich ist. Zum anderen war vermutlich keiner der Probanden mit allen zur Auswahl stehenden
Sprachen vertraut. Des Weiteren sind im Korpus einige Doppelnamen enthalten,
bei denen jeder Name jeweils einem anderem Sprachkontext zuzuordnen wären.
Andere Untersuchungen wie Vitale (1991) oder Black u. Llitjos (2001) zeigen, dass
eine Berücksichtigung der Ursprungssprache von Eigennamen zu einer Verbesserung der
Aussprache führt. Aus dieser Motivation heraus, wurde ein Versuch unternommen, eine
Sprachkategorisierung mit der Hilfe von bestehender Software durchzuführen. Mittels
Lingua::Identify, einem Perl-Modul für die Sprachidentifikation 47 von Texten wurden die
Namen der Umfrage ebenfalls bewertet. Jedoch zeigte sich nach Sichtung der Ergebnisse
und einem Abgleich mit den von den Probanden vorgenommenen Bewertungen, dass Lingua::Identify
für die Bewertung von Familiennamen nicht geeignet ist.
Es wird davon ausgegangen, dass Lingua::Identify eher für die Klassifikation von längeren
Texten geeignet ist. Eine Trigramstatistik, welche aus eindeutig einer Sprache zugeordneten
Namen generiert wurde, dürfte bessere Ergebnisse bringen. In Vitale (1991) werden
zusätzlich zu einer solchen Statistik Regeln für eine Eliminierung oder eindeutige Bestimmung
von Sprachen verwendet. Da das aus der Umfrage gewonnene Material vom Umfang
her statistisch nicht relevant sein dürfte, wurde kein Versuch unternommen, mit Hilfe von
diesem eine Trigrammstatistik zu erstellen.
Einen ausschliesslich regelbasierten Ansatz für die Kategorisierung der Ursprungssprache
schlägt Belhoula (1993) vor. Dort soll die Suche nach Zeichenketten mit variabler
Länge eine Zuordnung der Sprache erlauben. Besonderheit ist hier ein Positionskontext,
wie er auch in einigen der Regelsysteme für die Phonetische Suche verwendet wird. So
sind z. B. Namen, die mit anfangen, dem Italienischen zuzuordnen. Die Erstellung
solcher Regeln in einem automatisierten Verfahren dürfte jedoch die Komplexität einer
N-Gram-Statistik bei weitem übertreffen. Auch sind derzeit keine Forschungen darüber
bekannt, ob zusätzliche Positionsangaben zu einer genaueren Kategorisierung verhelfen
könnten.
47 Dieses Modul benutzt, wie es auch im Artikel von Black u. Llitjos (2001) vorgeschlagen wurde, vorgefertigte
Trigramstatistiken für die Klassifikation von Zeichenketten. Diese sind für die Sprachen und Dialekte
Afrikaans, Bulgarisch, Bretonisch, Bosnisch, Welsh, Dänisch, Deutsch, Englisch, Esperanto, Spanisch,
Finnisch, Fränzösisch, Friesisch, Irisch, Kroatisch, Ungarisch, Isländisch, Italienisch, Latein, Holländisch,
Norwegisch, Polnisch, Portugiesisch, Albanisch, Schwedisch und Türkisch verfügbar. Leider ist über den
Ursprung dieser Statistiken nichts bekannt. Insbesondere fehlen in der Dokumentation der Module Angaben
über das Material, aus dem diese Statistiken erstellt wurden.
31