cdn.media.ccc.de/.../wikidatacon2019-14-eng-Keynote_Why_is_collecting_lexical_data_one_of_the_best_ways_we_can_help_support_underserved_and_endangered_languages_hd.mp4

Derzeit gibt es ungefähr 7500 Sprachen,

die auf dem Planeten gesprochen werden.

Von diesen sind schätzungsweise

etwa 70 Prozent in Gefahr,

nicht das Ende des 21. Jahrhunderts
zu überleben.

Jedes Mal, wenn eine Sprache stirbt,

zerstört es eine Verbindung,

die seit Hunderten
bis Tausenden von Jahren andauerte,

zur Kultur, zur Geschichte,

und zu Traditionen und Wissen.

Der Linguist Kenneth Hale sagte einmal,

dass jedes Mal, wenn eine Sprache stirbt,

ist wie eine Atombombe
auf den Louvre fallen zu lassen.

Die Frage ist also,

warum sterben Sprachen?

Nun, die einfache Antwort
könnte vielleicht lauten,

dass man sich vorstellen kann,
dass autoritäre Regierungen

Menschen am Sprechen
ihrer Muttersprache hindern,

Kinder werden für das Sprechen
ihrer Sprache in der Schule bestraft,

oder die Regierung schaltet Radiosender

in der Minderheitensprache ab.

Und das ist definitiv
in der Vergangenheit geschehen,

und bis zu einem gewissen Grad
geschieht das heute immer noch.

Aber die wirkliche Antwort ist,

dass es für die große Mehrheit der Fälle,
wo Sprachen aussterben,

eine viel einfachere und
leichter zu erklärende Antwort gibt.

Die Sprachen sterben aus, weil sie nicht

von einer Generation zur nächsten
weitergegeben werden.

Jedes Mal, wenn eine Person,
die eine Minderheitensprache spricht,

ein Kind hat, macht sie eine Rechnung auf.

Sie fragen sich,

"Gebe ich meine Sprache
an mein Kind weiter,

oder unterrichte ich stattdessen
nur die Mehrheitssprache"?

Im Wesentlichen ist es eine Waage,

auf die sie in ihrem Kopf zugreifen,

auf der einen Seite

jedes einzelne Mal in ihrem Leben,

wo sie Gelegenheit hatten,
ihre Muttersprache zu verwenden,

zur Kommunikation,
Zugang zu traditioneller Kultur,

wird ein Stein
auf der linken Seite platziert.

Und jedes Mal, wenn sie
nicht in der Lage sind,

ihre Muttersprache zu nutzen,

und sich auf die Mehrheitssprache
verlassen müssen,

wird ein Stein
auf der rechten Seite platziert.

Nun, aufgrund der Stärke und der Würde,

seine Muttersprache sprechen zu können,

wiegen die Steine auf der linken Seite
etwas schwerer.

Aber mit genügend Steinen
auf der rechten Seite,

kippt dann schließlich die Waage,

und dann, wenn eine Person
die Entscheidung trifft,

ihre Sprache weiterzugeben,

sehen sie ihre eigene Sprache

mehr als Last denn als Segen.

Die Frage ist also,
wie können wir das rückgängig machen?

Zunächst müssen wir
über die Tatsache nachdenken,

dass es für jede beliebige Sprache

bestimmte soziale Bereiche gibt,
in denen sie verwendet werden können.

Also, jede Sprache, die heute
als Muttersprache gesprochen wird,

kann in der eigenen Familie
verwendet werden.

Eine kleinere Zahl von Sprachen wird
innerhalb der Gemeinschaft verwendet,

eine kleinere Gruppe
vielleicht in der eigenen Region

und eine kleine Handvoll von Sprachen

kann für die internationale Kommunikation
verwendet werden.

Und dann sogar über diese Bereiche hinaus,

stellt sich die Frage,
ob jemand ihre Sprache

für Bildung oder Wirtschaft
oder Technik nutzen kann?

Um also besser zu erklären,

wovon ich hier spreche,

möchte ich eine Anekdote verwenden.

Nehmen wir an, dass Sie im Begriff sind,

Ihren Traumurlaub in Indien anzutreten,

und Sie haben einen achtstündigen
Zwischenstopp in Istanbul.

Nun, Sie haben nicht unbedingt
einen Besuch der Türkei geplant,

aber mit dem Zwischenstopp
und mit einem türkischen Freund,

der von einem tollen Restaurant nicht
weit vom Flughafen erzählt hat,

denkt man: "Hey, vielleicht schaue
ich während meines Aufenthalts vorbei."

Sie verlassen also den Flughafen,

kommen in Ihr Restaurant,

und sie geben Ihnen eine Speisekarte,

und die Speisekarte ist
vollständig auf Türkisch.

Nun, sagen wir mal,
für den Zweck dieser Übung,

dass Sie kein Türkisch sprechen.

Was machen Sie?

Nun, im besten Fall,

finden Sie vielleicht jemanden
der Ihre Muttersprache spricht,

Deutsch, Englisch et cetera.

Aber sagen wir, es ist nicht Ihr Glückstag

und niemand im Restaurant kann
Deutsch oder Englisch sprechen.

Was tun Sie also?

Nun, wenn Sie so wie ich sind,
und ich denke, die meisten von Ihnen,

nutzen Sie wahrscheinlich
eine technologische Lösung,

maschinelle Übersetzung
oder ein digitales Wörterbuch,

schlagen jedes Wort einzeln nach,

und können sich schließlich
ein köstliches türkisches Essen bestellen.

Stellen wir uns nun stattdessen
dieses Szenario vor,

in dem Sie der Muttersprachler
einer Minderheitensprache sind.

Sagen wir, Niedersorbisch.

Niedersorbisch
ist eine gefährdete Sprache,

wird hier in Deutschland gesprochen,

etwa 130 Kilometer südöstlich von hier,

nur von ein paar tausend Menschen,
meist ältere Menschen.

Nun, sagen wir, Ihre Muttersprache
ist Niedersorbisch.

Sie landen im Restaurant.

Die Chance, jemanden
im Restaurant zu finden,

der Ihre Muttersprache spricht,
ist außergewöhnlich niedrig.

Aber, noch einmal, Sie können einfach
zu einer technologischen Lösung greifen.

Allerdings für Ihre Muttersprache

existieren diese technologischen
Lösungen nicht.

Sie müssten sich
auf Deutsch oder Englisch

als Brücke ins Türkisch verlassen.

Sie bekommen am Ende natürlich immer
noch Ihr köstliches türkisches Essen,

aber beginnen nachzudenken,
wie schwierig dies gewesen wäre,

wenn Sie wie Ihr Großvater wären,
der überhaupt kein Deutsch sprach.

Dies ist nur ein kleiner Zwischenfall,

aber es wird einen Stein
auf der rechten Seite dieser Waage setzen

und Sie zum Nachdenken anregen,

vielleicht, wenn ich Kinder habe oder
vielleicht, wenn ich noch ein Kind habe,

die Last, die Sie auf sich genommen haben

ist es vielleicht nicht wert,
um Ihre Sprache zu behalten.

Und stellen Sie sich vor,
dies wäre ein Szenario,

das von wesentlich
größerer Bedeutung wäre,

wie zum Beispiel in einem Krankenhaus.

Nun, das ist der Punkt,
bei dem wir helfen können –

Mit "wir" meine ich, Sie und ich,
in diesem Raum können helfen.

Wir haben die Werkzeuge,
um dabei helfen zu können.

Wenn technologische Werkzeuge
für Menschen verfügbar sind,

die eine Minderheits- und
unterrepräsentierte Sprachen sprechen,

legt es einen kleinen Finger auf die
Waage, auf der linken Seite der Waage.

Jemand muss nicht unbedingt glauben,

sich auf eine Minderheitensprache
verlassen müssen,

um mit der Außenwelt zu interagieren,

weil es die sozialen Bereiche

ein bisschen mehr öffnet.

Also, natürlich die ideale Lösung ist,

maschinelle Übersetzung
in jeder Sprache der Welt zu haben.

Leider ist das aber
einfach nicht machbar.

Maschinelle Übersetzung
erfordert große Textkorpora,

und für viele dieser Sprachen,

die gefährdet oder
unterrepräsentiert sind,

sind solche Daten einfach nicht verfügbar.

Einige von ihnen sind
nicht einmal üblich geschrieben

und damit genügend Daten für eine
maschinelle Übersetzung zu erhalten,

ist unwahrscheinlich.

Aber was verfügbar ist,
sind lexikalische Daten.

Durch die Arbeit
vieler Sprachwissenschaftler

in den letzten paar hundert Jahren,

wurden Wörterbücher und Grammatiken

für die meisten Sprachen
der Welt produziert.

Leider sind aber die meisten dieser Werke

nicht zugänglich oder stehen
der Welt nicht zur Verfügung,

ganz zu schweigen von den Sprechern
dieser Minderheitensprachen.

Und es ist kein absichtlicher Prozess.

Oftmals ist es einfach so, dass

die anfängliche Druckauflage
dieser Wörterbücher klein war,

und die einzigen Kopien

verkümmern irgendwo
in einer Universitätsbibliothek.

Aber wir haben die Möglichkeit,
diese Daten der Welt zugänglich machen.

Die Wikimedia-Stiftung
ist eine der besten Organisationen,

ich würde sagen,
die beste Organisation in der Welt,

um Daten für die große Mehrheit
der Bevölkerung dieses Planeten

bereitzustellen.

Lassen Sie uns also daran arbeiten.

Also, um das ein wenig zu erklären,

was wir in dieser Hinsicht getan haben,

möchte ich Ihnen
meine Organisation, PanLex vorstellen,

die versucht, lexikalische Daten
zu diesem Zweck zu sammeln.

Wir haben vor etwa 12 Jahren begonnen,

als Forschungsprojekt
an der Universität von Washington.

Die Idee dahinter

war es, zu zeigen,
dass abgeleitete Übersetzungen

ein effektives Übersetzungsinstrument
schaffen können,

ein lexikalisches Übersetzungsinstrument.

Dies ist ein Beispiel
aus den PanLex-Daten.

Hier wird gezeigt, wie man

das Wort "ev" im Türkischen,
das heißt Haus, übersetzen kann,

nach Niedersorbisch,

die Sprache, die ich vorhin erwähnte.

Es ist also unwahrscheinlich,

ein Wörterbuch für Türkisch
nach Niedersorbisch zu finden,

aber durch das Durchlaufen

vieler, vieler verschiedener
Zwischensprachen,

können Sie effektive Übersetzungen
erstellen.

Sobald die Forschungsprojekte
das nachweisen konnten,

entschied Dr. Jonathan Pool,
der Gründer von PanLex,

"Nun, warum machen wir das nicht einfach?"

Er gründete
eine gemeinnützige Gesellschaft,

um lexikalische Daten zu sammeln

und zugänglich zu machen.

Das haben wir
in den letzten 12 Jahren getan.

In dieser Zeit haben wir Tausende und
Abertausende von Wörterbüchern gesammelt

und haben lexikalische Daten extrahiert,

und eine Datenbank zusammengestellt,
die es ermöglicht,

abgeleitete lexikalische Übersetzung
über alle der...

Unsere derzeitige Zahl
liegt bei etwa 5500

der 7500 Sprachen in der Welt.

Und natürlich versuchen
wir ständig, das zu erweitern

und die Daten jeder einzelnen Sprache
zu erweitern.

Die nächste Frage lautet also,

was können wir tun,
um gemeinsam daran zu arbeiten?

Wir bei PanLex sind extrem begeistert,

die Entwicklung bei lexikalischen Daten
zu sehen,

an denen Wikidata
in letzter Zeit gearbeitet hat.

Es ist sehr faszinierend,
Organisationen zu sehen,

die in einem sehr ähnlichen Bereich
arbeiten,

aber in verschiedenen Aspekten.

Und wir sind sehr gespannt

auf die Ergebnisse aus Wikidata.

Und auch wir freuen uns über
die Zusammenarbeit mit Wikidata.

Ich denke, dass die
besonderen Fähigkeiten,

die wir in den letzten 12 Jahren
entwickelt haben,

nicht nur in der Sammlung
von lexikalischen Daten,

sondern auch im Datenbankdesign,

was für Wikidata äußerst
nützlich sein könnte.

Und auf der anderen Seite
denke ich, dass –

Ich bin besonders gespannt

auf Wikidatas Fähigkeit,
Crowdsourcing von Daten durchzuführen.

Bei PanLex sind unsere Quellen
derzeit vollständig

gedruckte lexikalische Quellen oder
andere Arten von lexikalischen Quellen,

aber wir machen kein Crowdsourcing.

Wir haben einfach nicht
die Infrastruktur dafür

und natürlich ist die Wikimedia Foundation

der weltweite Experte für Crowdsourcing.

Ich freue mich darauf, genau zu sehen,

wie wir diese Fähigkeiten
gemeinsam anwenden können.

Aber insgesamt denke ich,
dass die Hauptsache ist,

wenn wir an diesen Dingen arbeiten,

es ist ein winziges Detail.

Wir beschäftigen uns
mit grammatikalischen Formen,

oder arbeiten uns durch Wörterbücher,
alte Wörterbücher,

oder manchmal kürzlich
veröffentlichte Wörterbücher

und beschäftigen uns
mit schriftlichen Wortformen,

und es fühlt sich sehr nah an.

Aber gelegentlich müssen wir daran denken,
einen Schritt zurückzutreten,

auch wenn das, was wir tun

sich manchmal sogar banal anfühlen kann,

aber die Arbeit, die wir tun,
ist äußerst wichtig.

Das ist meiner Meinung nach,
der absolut beste Weg,

wie wir gefährdete Sprachen
unterstützen können

und sicherstellen,
dass die sprachliche Vielfalt des Planeten

bis zum Ende dieses Jahrhunderts
oder länger bewahrt wird.

Es ist durchaus möglich,
dass die Arbeit, die wir heute tun,

darin resultieren kann,

dass Sprachen erhalten
und weitergegeben werden,

und nicht aussterben.

Also, nur zur Erinnerung,

wenn Sie an Ihrem Computer herumsitzen,

einen Eintrag bearbeiten,

und die Datenform
einer kleinen Minderheitensprache

für jedes einzelne Substantiv hinzufügen,

die kleine Sache, die Sie gerade machen,

könnte tatsächlich teilweise
dafür verantwortlich sein,

sicherzustellen, dass die Sprache

bis zum Ende des Jahrhunderts
oder länger überlebt.

Ich danke Ihnen sehr,

und ich möchte die Fragerunde eröffnen.

(Beifall)

(Person 1) Vielen Dank.

- Danke für Ihren Vortrag.
- (Yang) Ich danke Ihnen.

(Person 1) Ich habe eine Frage
zu den Wörterbüchern.

Sie sagten, dass Sie
mit gedruckten Wörterbüchern arbeiten?

- (Yang) Ja.
- (Person 1) Meine Frage ist,

was nehmen Sie aus diesen Wörterbüchern

und müssen Sie sich
mit dem Urheberrecht befassen?

(Yang) Ich habe erwartet, dass dies
die erste Frage ist, die ich bekomme.

(Gelächter)

Also, zunächst einmal für PanLex,

haben wir, gemäß unserer rechtlichen
Ressourcen, die wir konsultiert haben,

ist die Anordnung und Organisation
eines Wörterbuchs urheberrechtsfähig,

die Übersetzung selbst wird
nicht als urheberrechtsfähig angesehen.

Ein gutes Beispiel ist zum Beispiel

ein Telefonbuch, zumindest nach US-Recht,

ist urheberrechtsfähig.

Aber wenn man sagt,

dass die Telefonnummer
von Person X die Ziffer D ist,

ist das nicht urheberrechtsfähig.

Also, wie ich schon sagte,

laut unseren Rechtswissenschaftlern,

können wir so damit umgehen.

Aber selbst wenn das nicht

ein ausreichend solides
rechtliches Argument ist,

ist es wichtig,

dass die große Mehrheit dieser Daten

nicht urheberrechtlich geschützt ist.

Eine große Anzahl sind nicht mehr
urheberrechtlich geschützt

und kann somit verwendet werden.

Und die andere Sache ist,
dass zum Beispiel oft,

wenn wir mit ein kürzlich
erstellten gedruckten Wörterbuch,

anstatt es zu scannen
und mit OCR zu verarbeiten,

schicken wir der Person
einfach eine E-Mail.

Und es stellt sich heraus,
dass die meisten Linguisten

wirklich begeistert sind, dass ihre Daten
zugänglich gemacht werden können.

Und sie sagen: "Sicher, bitte,

stellen Sie einfach alles da rein,
und machen Sie es zugänglich".

Wie ich also sagte, haben wir,
zumindest nach unseren Rechtsgutachten,

die Fähigkeit, aber selbst
wenn Ihnen das nicht reicht,

ist es sehr leicht, diese Daten
öffentlich zugänglich zu machen.

- (Person 2) Vielen Dank. Hallo.
- (Yang) Hallo.

(Person 2) Können Sie
etwas mehr dazu sagen,

wie eine Person, die Niedersorbisch
spricht, auf die Daten zugreift?

Wie zum Beispiel speziell,
wie die Informationen zu ihnen gelangt,

und wie Sie dazu beitragen könnte,
sie zu überzeugen

um entweder die-–

(Yang) Großartige Frage,
und das ist eigentlich eine,

über die ich auch sehr viel nachdenke,

denn ich denke, wenn wir
über den Datenzugang sprechen,

gibt es tatsächlich mehrere Schritte.

Eine davon ist die Datenerhaltung,
dass die Daten nicht verschwinden.

Zweitens ist es sicherzustellen,
dass es interoperabel ist

und verwendet werden kann.

Und drittens ist sicherzustellen,
dass es verfügbar ist.

Also im Fall von PanLex,

haben wir eine API,
die verwendet werden kann,

aber nicht von einem Endnutzer
verwendet werden kann.

Aber wir haben
auch Schnittstellen entwickelt.

Und zum Beispiel, wenn Sie
auf translate.panlex.org gehen,

können Sie Übersetzungen
in unserer Datenbank vornehmen.

Wenn Sie mit der API herumspielen wollen,
gehen Sie einfach auf Dev.panlex.org

und Sie können auf der API
eine Reihe von Dingen finden,

oder einfach api.panlex.org.

Aber es gibt auch
noch einen weiteren Schritt,

das heißt, wenn Sie alle Ihre Daten
vollständig zugänglich machen,

mit Werkzeugen, die sehr nützlich sind,
um darauf zugreifen zu können,

wenn Sie die Werkzeuge
nicht wirklich promoten,

dann werden die Leute
sie nicht benutzen können.

Und das ist ehrlich gesagt eine Art...

die Sache,
über die nicht genug geredet wird,

und ich habe keine gute Antwort darauf.

Wie stellen wir sicher, dass –

Zum Beispiel,
ich habe mich erst vor kurzem,

noch vor wenigen Jahren
mit Wikidata vertraut gemacht,

und es ist genau die Art von Dingen,
die mich interessieren.

Also, wie promoten wir uns
selbst gegenüber anderen?

Ich lasse das als offene Frage stehen.

Wie gesagt,
ich habe keine gute Antwort dafür.

Aber natürlich, um das zu tun,

müssen wir noch erste Schritte machen.

(Person 3) Wenn wir
maschinelle Übersetzung wollen,

brauchen wir nicht
ein Translation Memory?

Ich bin mir nicht sicher,
ob die einzelnen Wörter,

die wir in Wikidata eingestellt haben,

oder diese kurzen Sätze,
die wir in Wikidata eingestellt haben,

entweder als gewöhnliche Wikidata-Elemente
oder als Wikidata-Lexeme,

ausreichend sind,
um eine korrekte Übersetzung zu machen.

Wir brauchen ganze Sätze,
zum Beispiel, für –

(Yang) Ja, absolut.

(Person 3) Und woher bekommen
wir diese Datenstruktur?

Ich bin mir nicht sicher,
ob das derzeit der Fall ist,

Wikidata kann sehr gut

mit dem Problem
eines Übersetzungsspeichers umgehen,

translatewiki.net,

diese Lücke zu füllen...

Sollten wir etwas in dieser Hinsicht tun,
oder sollten wir-–

(Yang) Ja, und ich weiß,
Ihre Frage zu schätzen.

Ich habe das schon einmal angesprochen,

aber ich würde es gerne
noch einmal wiederholen.

Genau das ist der Grund, dass PanLex
mit lexikalischen Daten arbeitet

und warum ich mich
über lexikalische Daten freue,

im Gegensatz zu –
nicht im Gegensatz zu, sondern zusätzlich

zu maschinellen Übersetzungsmaschinen

und maschineller Übersetzung
im Allgemeinen.

Wie Sie sagten, maschinelle Übersetzung
erfordert eine bestimmte Art von Daten

und keine Daten sind verfügbar
für die meisten Sprachen der Welt.

Für die große Mehrheit
der Sprachen der Welt

ist es einfach nicht verfügbar.

Aber das heißt nicht,
dass wir aufgeben sollten.

Warum?

Wenn ich meine türkische Speisekarte
übersetzen müsste,

dann wird die lexikalische Übersetzung

wahrscheinlich ein außergewöhnlich
gutes Werkzeug dafür sein.

Nun, ich sage nicht, dass Sie
die lexikalische Übersetzung

zur perfekten Übersetzung
von Absätzen verwenden können,

Mit lexikalischer Übersetzung
meine ich Wort für Wort,

und Wort-zu-Wort-Übersetzung
kann äußerst nützlich sein,

Es ist lustig, darüber nachzudenken,

wir hatten nicht Zugang zu
guter maschineller Übersetzung.

Nicht jeder hatte Zugang dazu
bis vor kurzem.

Und wir kamen immer noch
mit Wörterbüchern aus,

und sie sind
eine unglaublich gute Ressource.

Und die Daten sind verfügbar,
warum sollte man sie nicht

für die Welt als Ganzes und die Sprecher
dieser Sprachen verfügbar machen?

(Person 4) Hallo, welche
Mechanismen haben Sie

wenn die Gemeinschaft selbst –
ich bin hier drüben.

- (Yang) Wo sind Sie? Okay
- (Person 4) Ja, Entschuldigung. (lacht)

wenn die Gemeinschaft selbst

keinen Teil ihrer Daten
in PanLex haben möchte?

(Yang) Großartige Frage.

Die Art und Weise, wie wir damit arbeiten,

ist, wenn ein Wörterbuch
veröffentlicht wird

und der Öffentlichkeit
zugänglich gemacht wird,

ist das ein guter Hinweis.

Als ob man es in einem
Geschäft kaufen könnte

oder in einer Universitätsbibliothek,

oder eine öffentliche Bibliothek,
zu der jeder Zugang hat.

Das ist ein guter Hinweis,
dass diese Entscheidung getroffen wurde.

(Person 4) [unhörbar]

(Person 5) Könnten Sie bitte
in das Mikrofon sprechen?

(Yang) Können Sie das noch einmal sagen?

(Person 4) Linguisten haben nicht
immer die Erlaubnis der Gesellschaft,

Dinge zu veröffentlichen,

sie veröffentlichen oft Dinge
ohne die Zustimmung der Gemeinschaft.

(Yang) Und das ist absolut wahr.

Ich würde sagen, das ist ein –

es kommt vor.

Ich würde sagen, es ist allgemein
eine kleine Zahl von Fällen,

meist in ganz Nordamerika,

obwohl manchmal auch
bei südamerikanischen Sprachen.

Es ist etwas,
dass wir berücksichtigen müssen.

Wenn wir zum Beispiel
eine Nachricht erhalten würden,

dass die Daten,
die in PanLex enthalten sind,

nicht für weite Welt
zugänglich sein sollte,

dann würden wir sie natürlich entfernen.

(Person 4) Gut.

(Yang) Das bedeutet natürlich nicht,

dass wir das Urheberrecht
unbedingt berücksichtigen,

aber wir werden die traditionellen
Gemeinschaften beachten,

und das ist der große Unterschied.

(Person 4) Ja, das meine ich damit.

(Yang) Das ist ein interessanter Punkt,

was heißt,

dass manchmal es eine
wirklich große Frage ist,

wer für eine Sprache spricht.

Ich hatte tatsächlich einige Erlebnisse
im amerikanischen Südwesten

bei der Arbeit mit einigen Gruppen,

die an Eingeborenen-Sprachen,
die Pueblo-Sprachen dort arbeiten.

Es gibt also ungefähr

sechs Pueblo-Sprachen,
je nachdem, wie Sie es unterscheiden,

die in diesem Gebiet gesprochen werden.

Aber sie sind in
18 verschiedenen Pueblos unterteilt,

und jedes hat
seine eigene Stammesregierung,

und jede Regierung
kann eine andere Meinung haben,

ob ihre Sprache für Außenstehende
zugänglich sein sollte oder nicht.

Wie zum Beispiel Zuni Pueblo,

ist das einzige Pueblo,
das die Sprache der Zuni spricht.

Man fragt sie einfach.

Und sie sind stolz darauf,
dass ihre Sprache überall sein wird,

Sie haben es auf den Straßenschildern,
es ist großartig.

Aber für einige der anderen Sprachen,

haben Sie vielleicht
eine Gruppe, die sagt,

"Wir wollen nicht unsere Sprache
für Außenstehende zugänglich machen".

Das benachbarte Pueblo
mit der gleichen Sprache sagt,

"Wir wollen wirklich unsere Sprache
für Außenstehende

durch diese technologischen Werkzeuge
zugänglich machen,

weil wir wollen, dass unsere Sprache
weiterexistiert".

Und es wirft eine wirklich
interessante ethische Frage auf.

Denn wenn Sie einfach sagen,

"Gut, ich lasse das, weil diese Gruppe
sagte, wir sollen das lassen" –

dann benachteiligen sie
die zweite Gruppe,

weil sie aktiv wollen,
dass Sie diese Dinge ausschließen.

Ich glaube nicht, dass dies eine Frage
mit einer einfacher Antwort ist.

Aber ich würde das zumindest
in Bezug auf PanLex sagen.

Und wir haben das tatsächlich
bisher noch nicht erlebt,

soweit ich weiß.

Nun, das könnte teilweise
daran liegen, dass...

Um auf seine Frage zurückzukommen,

müssten wir uns vielleicht
mehr promoten. (lacht)

Aber im Allgemeinen, soweit ich weiß,

ist das bisher noch nicht passiert.

Aber unser Plan dafür ist,
wenn eine Gemeinschaft sagt,

dass Sie nicht ihre Daten
in einer Datenbank haben will,

dann entfernen wir sie.

(Person 4) Wir müssen damit in Wikidata
und Wikipedia umgehen...

- (Yang) Haben Sie?
- (Person 4) ...in Kommentaren.

- (Yang) Echt?
- (Person 4) Es ist ein Problem.

(Yang) Ja, kann ich mir bei Kommentaren
für Fotos oder bestimmte Dinge vorstellen.

- (Person 4) Korrekt.
- (Yang) Ja.

(Person 6) Hallo, ich habe eine Frage
zum Crowdsourcing-Aspekt.

Was das Befragen
einer Gemeinschaft betrifft,

um Daten für einen Datensatz
zu kommentieren oder hinzuzufügen,

eines der Dinge,
dass ein wenig einschüchtert,

als Redakteur kann ich nur sehen,
welche Dinge fehlen.

Aber wenn ich Zeit damit verbringe
und eine Idee habe,

gibt es eine Liste von Gegenständen
mit hoher Priorität,

was, glaube ich, sehr motivierend ist.

Und ich war neugierig,
ob Sie ein System haben,

was im Wesentlichen so ist wie,

wir kennen die Lücken
in unseren eigenen Daten,

wir haben linguistische Beweise,

dass, wenn wir diese mit Anmerkungen
versehen, den größten Einfluss hätten.

Ich kann mir also vorstellen,

dass das Lexem für "Haus"
sehr wirkungsvoll wäre,

vielleicht kein Lexem für Daten
oder Ähnliches.

Aber ich war neugierig,
wenn Sie das hätten,

ob das verwendet werden könnte,

um diese Bemühungen
der Gemeinschaft voranzutreiben.

(Yang) Großartige Frage.

Also Wikidata hat eine ganze Menge –

Entschuldigung, PanLex hat
eine ganze Menge von Swadesh-Listen.

Wir haben offenbar die größte Sammlung
von Swadesh-Listen weltweit,

was interessant ist.

Eine Swadesh-Liste ist

im Wesentlichen eine regulierte Liste
lexikalischer Elemente,

die für die Analyse von Sprachen
verwendet werden können.

Sie enthalten wirklich grundlegende Sätze.

Es gibt also verschiedenen Arten
von Swadesh-Listen.

Aber es gibt 100 oder 213 Einheiten

und sie könnten Wörter wie "Haus"
und "Auge" und "Haut" enthalten,

und grundsätzlich allgemeine Wörter,
die Sie in jeder Sprache finden sollten.

Das ist also wirklich
ein guter Ausgangspunkt dafür,

dass diese Daten zur Verfügung stehen.

Nun, wie ich bereits erwähnt habe,

Crowdsourcing ist etwas,
was wir noch nicht tun

und wir sind wirklich begeistert,
das machen zu können.

Ich freue mich wirklich darauf,
mit Menschen hier darüber zu sprechen,

wie Crowdsourcing genutzt werden kann

und die Logistik dahinter,

und das sind die Art von Fragen,
die dabei auftauchen können.

Die Antwort, die ich Ihnen geben kann,

dass wir eine Prioritätenliste haben –

dass wir definitiv
eine Prioritätenliste haben,

wenn es darum geht,
welche Sprachen wir suchen.

Wir suchen also nach Sprachen,
die von technologischen Lösungen

derzeit nicht berücksichtigt werden,
was oft Minderheitensprachen sind,

oder in der Regel Minderheitensprachen,

und diese dann zu priorisieren.

Aber in Bezug
auf einzelne lexikalische Elemente,

wie wir im Allgemeinen
neue Daten erhalten,

ist im Wesentlichen durch die Aufnahme
eines ganzen Wörterbuchs.

Wir verlassen uns auf die Auswahl von
lexikalischen Elementen des Wörterbuchs,

anstatt zu sagen, wir suchen wirklich
das Wort für "Haus" in jeder Sprache.

Aber wenn es um Daten-Crowdsourcing geht,
werden wir so etwas brauchen.

Dies ist also eine Gelegenheit
für Forschung und Wachstum.

(Person 7) Hallo, ich bin Victor,
und das ist großartig.

Da Sie hier Folien haben,

können Sie ein bisschen
über den technischen Status reden,

ob Sie derzeit Daten-
oder Informationsfluss

zwischen Wikidata und PanLex haben.

Ist das derzeit bereits implementiert,
und wie gehen Sie mit Informationen um,

die zwischen PanLex und Wikidata
hin und her wandern,

oder in einer Feedbackschleife enden.

(Yang) Wir haben eigentlich derzeit
keine formelle Verbindungen zu Wikidata,

und das ist, wo ich wieder

wirklich gespannt auf die Gespräche
innerhalb dieser Konferenz bin.

Wir hatten einige Interaktionen
mit Wiktionary,

aber Wikidata passt, ehrlich gesagt,
besser zum dem, was wir suchen.

Direktes lexikalisches Material bedeutet,

dass wir sehr viel weniger Datenanalyse
und -extraktion machen müssen,

Und deshalb lautet die Antwort,

wir wissen es noch nicht,
aber wir wollen es.

(Person 7) Und wenn nicht,
was sind die Hindernisse?

Wie wir sehen können, unterstützt
Wikidata bereits mehrere Sprachen,

aber wenn ich translate.panlex.org,
nachschlage,

unterstützen Sie offenbar
viele, viele Varianten,

viel mehr als Wikidata.

Wie erkennen Sie, ob da eine Lücke

zwischen Übersetzung
oder lexikalische Übersetzung ist,

Anwendung versus Aufwand,

beim Versuch,
eine Wissensstruktur abzubilden.

(Yang) Mapping-Kenntnisse werden
sehr interessant sein.

Wir haben sehr interessante Diskussionen,

wie Wikidata ihre lexikalischen Daten
organisiert, Ihre lexikalischen Daten,

und wie wir unsere lexikalischen Daten
organisieren.

Und es gibt subtile Unterschiede

die eine Mapping-Strategie
erfordern würde,

von denen einige nicht notwendigerweise
automatisch sein müssten,

aber wir könnten vielleicht Techniken
dafür entwickeln.

Sie nannten das Beispiel
der Sprachvarianten.

Wir neigen dazu, sehr
"haarspalterisch" zu sein,

wenn es um Sprachvarianten geht.

Mit anderen Worten,
wenn wir eine Quelle erhalten,

die sagt, dass dies der
gesprochene Dialekt

auf der linken Seite des Flusses
in Papua-Neuguinea dieser Sprache ist,

und eine weitere Quelle, die sagt,
das ist auf der rechten Seite des Flusses,

betrachten wir sie als getrennte Sprachen.

Und wir machen dies, um im Wesentlichen
die meisten Daten erhalten zu können.

Das so abzubilden, wie Wikidata es macht –

Eigentlich würde ich
gerne Gespräche führen,

wie die Sprachen

auf Wikidata gekennzeichnet sind.

Auch hier gehen wir mit einer
sehr "haarspalterischen" Strategie vor.

Wir stützen uns weitgehend
auf ISO 6393-Codes,

der vom Ethnologen bereitgestellt wird,

und dann für jeden einzelnen Code
sind dann mehrere Varianten erlaubt,

entweder für Skript-Varianten oder
regionale Dialekte oder Soziolekte

und so weiter.

Nochmals, Gelegenheit
zur Diskussion und Arbeit.

(Person 8) Hallo, ich würde gerne wissen
wenn Sie eine OCR-Pipeline haben

und vor allem, weil wir versucht haben,
OCR bei Maya durchzuführen,

und keine Ergebnisse erhalten haben.

Es versteht nichts –

- (Yang) Oh, ja! (lacht)
- (Person 8) Und... ja.

Wenn also Ihre Pipelines verfügbar sind.

Und das andere ist einfach
eine ISO-Code-Überschneidung,

wenn man manchmal sagt,

"Oh, das ist eine Sprache,
und dies ist eine andere Sprache",

aber es gibt Quellen,
die andere Dinge sagen,

wie Sie bereits erwähnten,
neigen sie dazu, sich zu überschneiden.

Also, wie machen Sie hier weiter...? Ja.

(Yang) Ja, das ist eine absolut
fantastische Frage.

Gefällt mir wirklich.

Wir haben also keine formalisierte
OCR-Pipeline an sich;

wir tun es Quelle für Quelle.

Einer der Gründe dafür ist,
weil wir oft Quellen haben,

die nicht OCR-kompatibel sein müssen
und für einige dieser Sprachen

verfügbar sind, und wir
konzentrieren uns auf diese,

weil der Arbeitsaufwand geringsten ist.

Aber natürlich, wenn wir wirklich tief
in unsere Quellen eintauchen wollen,

die in Rückstand sind, müssen wir
starke OCR-Pipelines entwickeln.

Aber es gibt noch einen weiteren Aspekt,
den Sie erwähnten...

die Leute, die OCR-Engines
entwickelt haben,

ich denke, dass sie nicht wissen, wie
man sie unter Stress testen kann.

Wissen Sie, was Spaß macht?

Versuchen Sie mal OCR bei
einem Russisch-Tibetischen Wörterbuch.

Wie sich herausstellt,
ist es wirklich schwer...

Wir gaben auf und stellten jemanden ein,
der es einfach abtippt,

was durchaus machbar war.

Und tatsächlich stellt sich heraus,

dass diese erstaunliche russische Frau
gelernt hatte, Tibetisch zu lesen,

damit sie dies abtippen konnte,
was super cool war.

Ich denke, wenn Sie
mit lateinischen Schriften arbeiten,

dann denke ich, dass OCR-Lösungen
entwickelt werden können,

die robuster sind,
die mit mehrsprachigen Quellen

umgehen können und erwarten,
eine zufällige Vier zu erhalten,

wenn Sie sich mit Maya-Quellen
aus dem 16. Jahrhundert befassen,

Sie wissen schon, mit der Ziffer vier.

Aber es gibt einige Quellen,

die OCR wahrscheinlich
niemals schaffen wird

oder einen so immensen Arbeitsaufwand
erfordert,

dass wir das tatsächlich nur wenig nutzen.

Wir haben ein weiteres Projekt
bei PanLex laufen,

die gesamte traditionelle Literatur
von Bali zu transkribieren,

und wir haben festgestellt,

dass bei den handschriftlichen
balinesischen Manuskripten

keine Chance mit OCR gibt.

Wir haben also einen Haufen
der Balinesen, um sie abzutippen,

und es ist ein wirklich
cooles Kulturprojekt auf Bali,

und es ist in die Nachrichten
gekommen und so weiter.

Ich würde also sagen,

dass Sie sich nicht unbedingt
auf OCR verlassen müssen,

aber es gibt eine Menge.

Gute OCR-Lösungen zu haben wäre also gut.

Außerdem, wenn jemand hier sich
mit super-mehrsprachigen-OCRs beschäftigt,

bitte reden Sie mit mir.

(Person 9)
Vielen Dank für Ihre Präsentation.

Sie sprachen über die Integration
zwischen PanLex und Wikidata,

aber nicht über Einzelheiten.

Ich habe also Ihre Datenlizenz überprüft,
und sie steht unter CC0.

- (Yang) Ja.
- (Person 9) Das ist großartig.

Es gibt also zwei mögliche Wege,

dass wir entweder
die Daten importieren können

oder wir können mit etwas Ähnlichem
wie der Freebase-Methode weitermachen,

wo wir die vollständige Datenbank
aus der Freebase haben,

und importieren,
eine Verbindung herstellen,

einen externen Identifier
zur Freebase-Datenbank.

Wenn Sie da etwas vorhaben,
denken Sie da ähnlich?

Oder Sie wollen nur...

eine unabhängige Datenbank,
die mit Wikidata verknüpft werden kann?

(Yang) Ja, das ist eine großartige Frage

und eigentlich den Sachen
einen Schritt voraus,

über die ich bereits nachgedacht habe,

teilweise, weil, wie ich schon sagte,

die Zusammenarbeit der beiden Datenbanken
zu erreichen

ist ein Schritt in sich selbst.

Ich denke, der erste Schritt,

ist buchstäblich nur
unsere Fähigkeiten zusammenzulegen.

Wir haben eine Menge Erfahrung
mit Dingen umzugehen,

wie der Klassifizierungen
von Eigenschaften einzelner Lexeme,

die ich gerne teilen würde.

Aber die Verknüpfung der Datenbanken
selbst wäre wunderbar.

Ich bin zu 100 Prozent dafür.

Ich glaube, es würde den Weg

von Wikidata zu PanLex etwas vereinfachen,

vielleicht bin ich voreingenommen,

denn ich kann mir vorstellen,
wie das funktionieren könnte.

Ja, im Wesentlichen,
solange Wikidata einverstanden

mit all diesen Lizenzfragen ist,
oder wir eine Lösung finden,

dann halte ich das
für eine großartige Idee.

Wir müssten nur noch Wege
zur Verknüpfung der Daten selbst finden.

Eine Sache, die ich mir vorstellen kann,
dass Bearbeitungen von Wikidata

sofort in die PanLex-Datenbank
übertragen werden,

ohne dass man es immer
wieder einspielen muss.

Wikidata als Crowdsource-Schnittstelle
für PanLex zu nutzen,

wäre wirklich großartig.

Und dann die Möglichkeit, PanLex
zur sofortigen Übersetzung zu nutzen,

Übersetzungen über die lexikalischen
Elemente von Wikidata zu machen –

das wäre herrlich.

(Person 10) Das ist wie der
Auditing-Prozess dieses semantischen Webs,

um Löcher durch Schlussfolgerungen
zu schließen.

Wenn wir diese Art
von Übersetzung weiterdenken,

wie gehen Sie
mit semantischer Fehlanpassung um

und grammatikalischen Ungleichgewichten?

Wenn Sie zum Beispiel versuchen,
etwas auf Deutsch zu übersetzen,

können Sie einfach
mehrere Wörter zusammenfügen

und etwas Vernünftiges erreichen,

und auf der anderen Seite,
glaube ich, lese ich manchmal,

dass nicht jede Sprache
das gleiche granulare System

für Farben hat, zum Beispiel.

(Yang) Sagen Sie, alle verwenden
ein anderes System für Farben

oder sind sie gleich?

(Person 10) Ich denke, dass es vielleicht

nur um die Evolution der Sprache geht,

dass sie anfangs mit Schwarz
und Weiß anfingen und dann –

(Yang) Ja, die Farbhierarchie.

Eigentlich ist Farbhierarchie
eine gute Möglichkeit,

zu veranschaulichen,
wie das funktioniert, richtig?

Also, im Wesentlichen,
wenn Sie eine einzige Pivotsprache haben –

Es ist interessant, wenn Sie Papiere
über maschinelle Übersetzungen lesen,

denn oft sprechen sie über
eine hypothetische Pivotsprache,

sie sagen: "Es gibt eine Pivot-Sprache".

und dann lesen sie das Papier
und sagen: "Das ist Englisch."

Und was diese Form
der lexikalischen Übersetzung macht,

ist, es durch viele verschiedene
Zwischensprachen zu schicken,

das hat die Wirkung,
dass es mit einer Menge

semantischer Mehrdeutigkeit umgehen kann.

Denn solange Sie es
durch die Sprachen schicken,

die die gleichen, einigermaßen ähnlichen
semantische Grenzen bei einem Wort haben,

dann können Sie das Problem

der semantischen Mehrdeutigkeit
durch die Pivotsprache vermeiden.

Die Farbhierarchie als Beispiel,

wenn Sie eine Sprache nehmen,
die ein einziges Farbwort

für Grün und Blau

und es in Ihrer Single-Pivot-Sprache
und als Blau übersetzt wird,

und dann in eine andere Sprache,
die dabei verschiedene Unklarheiten hat,

dann haben Sie am Ende
semantische Zweideutigkeit.

Aber wenn Sie es durch
andere Sprachen laufen lassen,

die auch einzelne lexikalische Begriffe
für Grün und Blau haben,

dann wird diese semantische Spezifität

an die Zielsprache weitergereicht.

Was die Aspekte
der grammatikalischen Merkmale betrifft,

PanLex hat in seiner Geschichte
in erster Linie,

im Wesentlichen Lexeme gesammelt,
im Wesentlichen lexikalische Formen.

Und mit im Wesentlichen meine ich,

was auch immer Sie als Stichwort
für ein Wörterbuch bekommen.

Wir müssen uns also
derzeit nicht unbedingt

auf das Sammeln grammatikalischer
Variantenformen konzentrieren,

nicht schriftliche Daten et cetera
oder Vergangenheits- und Gegenwartsform.

Aber das ist etwas, das wir untersuchen.

Eine Sache, die immer zu beachten ist,

dass unser Fokus –

auf unterrepräsentierte und gefährdete
Minderheitensprachen liegt,

wollen wir sicherstellen,
dass etwas verfügbar ist,

bevor wir es perfekt machen.

Ein Satz, den ich absolut liebe,

ist "Lass Perfektion nicht
der Feind des Guten sein",

und das ist es, was wir vorhaben.

Aber wir sind super interessiert
an der Idee,

mit grammatikalischen Formen
umgehen zu können,

und darüber zu übersetzen,

wir haben Untersuchungen durchgeführt,
aber noch nicht vollständig umgesetzt.

(Person 11) Also,
von den etwa 7500 Sprachen,

ich nehme an, Sie verlassen
sich auf Wörterbücher,

die für uns geschrieben werden,
aber haben alle diese Sprachen

standardisierte schriftliche Formen
und wie gehen Sie damit um...?

(Yang) Das ist eine großartige Frage.

Im Wesentlichen, ja, viele dieser Sprachen
sind, wie jeder weiß, ungeschrieben.

Jedoch jede Sprache,
für die ein Wörterbuch erstellt wurde,

hat eine Art von Rechtschreibung,

und wir verlassen uns
auf die Rechtschreibung des Wörterbuchs.

Wir machen gelegentlich einige
leichte Korrekturen der Orthographie,

wenn wir garantieren können,
dass sie im Grunde verlustfrei ist.

Aber wir neigen dazu,
sie so weit wie möglich zu vermeiden.

Also, wir sind nicht im Geschäft

der Entwicklung
von Orthographien für Sprachen,

weil sie sich oft nicht entwickelt haben,

auch wenn sie nicht wirklich
weit veröffentlicht wurden.

Also, zum Beispiel,

für viele Sprachen,
die in Neuguinea gesprochen werden,

gibt es vielleicht keine gemeinsame
verwendete orthographische Form,

aber einige Linguisten
lassen sich etwas einfallen

und das ist ein guter erster Schritt.

Wir sammeln auch phonetische Formen
wenn sie in Wörterbüchern verfügbar sind,

und das ist also ein weiterer Weg dahin,

im Wesentlichen eine IPA-Darstellung
des Wortes, wenn das verfügbar ist.

Das kann also auch genutzt werden.

Aber wir verwenden das
nicht normalerweise als Pivot,

weil das gewisse Unklarheiten einführt.

(Person 12) Vielen Dank,
das ist vielleicht eine sehr dumme Frage,

aber sind das nur die Zwischensprachen,
mit denen Sie arbeiten?

(Yang) Oh, nein. Oh, nein.

(Person 12) In Ordnung, ich danke Ihnen.

(Yang) Ich bin froh, dass Sie das fragen.

Dies ist also eigentlich
ein Screenshot-Schnappschuss

von translate.panlex.org.

Wenn Sie eine Übersetzung machen,

gibt es auf der rechten Seite
eine Liste der Übersetzungen.

Sie klicken auf die Schaltfläche ...,
und erhalten Sie eine solche Grafik.

Und dies zeigt die Zwischensprachen,
die Top 20 nach Punktzahl.

Wie wir die Punktzahl erstellen,
ist jetzt nicht so wichtig –

nach der verwendeten Punktzahl.

Aber für die Übersetzung, verwenden
wir tatsächlich weit mehr als 20.

Warum ich die Obergrenze
bei 20 Prozent setze, liegt daran,

das ist eigentlich
wie eine Art Physiksimulation.

Sie können die Dinge bewegen
und sie wackeln.

Wenn Sie mehr als 20 haben,
wird Ihr Computer wirklich wütend.

Es ist also eher eine Demonstration, ja.

(Person 13) Leila,
von der Wikimedia Foundation.

Nur eine Anmerkung zu –

Sie erwähnten die Wikimedia Foundation
ein paar Mal in Ihrer Präsentation,

Ich wollte sagen, wenn Sie jede Art
von Dateneinspielung vornehmen wollen,

oder eine Zusammenarbeit mit Wikidata,

wäre vielleicht Wikimedia Deutschland
ein besserer Ort,

mit dem man diese Gespräche führen kann?

Weil Wikidata lebt innerhalb
von Wikimedia Deutschland

und das Team ist da,

und auch die Gemeinschaft
von Freiwilligen rund um Wikidata

wäre der perfekte Ort für ein Gespräch

über jede Art der Einspielung

oder PanLex näher an Wikidata zu bringen.

(Yang) Großartig, vielen Dank,

denn ehrlich gesagt,
bin ich nicht wirklich vertraut

mit all den Feinheiten der Architektur,

wie alle Projekte sich
aufeinander beziehen.

Nach dem Lachen zu urteilen,
ist es wohl kompliziert.

Aber, ja, also im Grunde genommen
würden wir mit demjenigen reden wollen,

der für Wikidata verantwortlich ist.

Also einfach,
um eine Platzierung vorzunehmen,

wer auch immer für Wikidata
verantwortlich ist, ist derjenige,

mit dem wir reden wollen,

und das sind alle Freiwilligen.

Haben Sie noch weitere Fragen?

Okay, nun, wenn jemand am Ende
darüber hinaus noch weitere Fragen hat,

oder über die ich gesprochen habe –
Details und Einzelheiten dieser Dinge,

bitte kommen Sie und reden mit mir,

und wenn Sie mit allem,
was lexikalisches Zeug beinhaltet,

allem, was mit gefährdeten
Minderheitensprachen

und unterrepräsentierten Sprachen
zu tun hat,

und auch Unicode, was ich auch tue.

Vielen Dank also, und dafür, dass Sie
mich als Sprecher eingeladen haben.

Ich hoffe, dass es Ihnen gefallen hat.

(Beifall)