Open Access

In diesem Jahr geht die neue, überarbeitete Abfrage von zu Hause gesprochenen Sprachen im deutschen Mikrozensus in die vierte Runde. Der Mikrozensus ist eine amtliche Zählung der Bevölkerung in Deutschland. Dafür wird lediglich ein Teil der Bevölkerung befragt. Im Jahr 2021 enthielt diese repräsentative Stichprobe 880.137 Personen, das entspricht einem Prozent der Gesamtbevölkerung Deutschlands. Die Ergebnisse gelten für die Gesamtbevölkerung und können auf sie hochgerechnet werden. Es gibt jetzt also für die letzten drei Jahre 2021, 2022 und 2023 amtliche Zahlen über die in Deutschland zu Hause gesprochenen Sprachen. Die Ergebnisse über die Sprachen der Menschen in Deutschland sind in ihrer Art und ihrem Umfang singulär. Das letzte Mal sind 1950 sprachliche Informationen über die gesamte Bevölkerung in einer amtlichen Statistik erhoben worden. Jetzt sind wieder einigermaßen detaillierte Informationen über die Sprache der Bevölkerung verfügbar. Die Auswertung dieser Daten ist somit von besonderer Bedeutung. In diesem Beitrag werden die Ergebnisse dieser Erhebungsjahre beschrieben und verglichen. Das Statistische Bundesamt veröffentlicht die Ergebnisse pro Erhebungsjahr in digitalen Datensammlungen (Statistische Berichte). Ausgewählte Ergebnisse werden in Pressemitteilungen vorgestellt. Für diesen Beitrag wurden aus den digitalen Datensammlungen die relevanten Angaben zu den Sprachen extrahiert und zusammengestellt. Dann wurden relative Anteile und die Veränderungen der Angaben zwischen den drei betrachteten Jahren berechnet. Die Ergebnisse dieser Aufarbeitungsprozesse werden hier beschrieben und in der Abbildung und der Tabelle dargestellt.

Computational language models (LMs), most notably exemplified by the widespread success of OpenAI's ChatGPT chatbot, show impressive performance on a wide range of linguistic tasks, thus providing cognitive science and linguistics with a computational working model to empirically study different aspects of human language. Here, we use LMs to test the hypothesis that languages with more speakers tend to be easier to learn. In two experiments, we train several LMs—ranging from very simple n-gram models to state-of-the-art deep neural networks—on written cross-linguistic corpus data covering 1293 different languages and statistically estimate learning difficulty. Using a variety of quantitative methods and machine learning techniques to account for phylogenetic relatedness and geographical proximity of languages, we show that there is robust evidence for a relationship between learning difficulty and speaker population size. However, contrary to expectations derived from previous research, our results suggest that languages with more speakers tend to be harder to learn.

In der Korpuslinguistik und der Quantitativen Linguistik werden ganz verschiedenartige formale Maße verwendet, mit denen die Gebrauchshäufigkeit eines Wortes, eines Ausdrucks oder auch abstrakter oder komplexer sprachlicher Elemente in einem gegebenen Korpus gemessen und ggf. mit anderen Gebrauchshäufigkeiten verglichen werden kann. Im Folgenden soll für eine Auswahl dieser Maße (absolute Häufigkeit, relative Häufigkeit, Wahrscheinlichkeitsverteilung, Differenzenkoeffizient, Häufigkeitsklasse) zusammengefasst werden, wie sie definiert sind, welche Eigenschaften sie haben und unter welchen Bedingungen sie (sinnvoll) anwendbar und interpretierbar sind – dabei kann eine Rolle spielen, ob das Häufigkeitsmaß auf ein Korpus als Ganzes angewendet wird oder auf einzelne Teilkorpora. Zusätzlich zu den bei den einzelnen Häufigkeitsmaßen genannten Einschränkungen gilt generell der folgende vereinfachte Zusammenhang: Je seltener ein Wort im gegebenen Korpus insgesamt vorkommt und je kleiner dieses Korpus ist, desto stärker hängt die beobachtete Gebrauchshäufigkeit des Wortes von zufälligen Faktoren ab, d.h., desto geringer ist die statistische Zuverlässigkeit der Beobachtung.

Transkriptionswerkzeuge sind spezialisierte Softwaretools für die Transkription und Annotation von Audio- oder Videoaufzeichnungen gesprochener Sprache. Dieses Kapitel erklärt einleitend, worin der zusätzliche Nutzen solcher Werkzeuge gegenüber einfacher Textverarbeitungssoftware liegt, und gibt dann einen Überblick über grundlegende Prinzipien und einige weitverbreitete Tools dieser Art. Am Beispiel der Editoren FOLKER und OrthoNormal wird schließlich der praktische Einsatz zweier Werkzeuge in den Arbeitsabläufen eines Korpusprojekts illustriert.

Sobald eine statistische Datenanalyse abgeschlossen ist, müssen in einem weiteren Schritt die Untersuchungsergebnisse aufbereitet und dargestellt werden. Hierzu gibt es verschiedene Möglichkeiten, die davon abhängig sind, welche Art von Analyse man durchgeführt hat. Aus diesem Grund ist der Beitrag gegliedert in die Aufbereitung von Ergebnissen für deskriptive, also beschreibende statistische Analysen (Abschnitt 2) und in die Ergebnisdarstellung von inferenzstatistischen (= schließenden) Auswertungen (Abschnitt 3). Wir gehen dabei auf die Aufbereitung der Daten in Tabellenform ein, werden an einem Beispiel zeigen, wie man die Ergebnisse von statistischen Tests berichtet und einige Visualisierungsmöglichkeiten vorstellen.