Was mir, mangels tiefergehender Expertise, bislang unbekannt war: George Kingsley Zipf gilt als einer der Pioniere der quantitativen Linguistik. Also jenem Bereich mit dem wir uns hier schon ein paar Mal, unter anderem in Verbindung mit dem Feld der Culturomics, beschäftigt haben. Von ihm stammt neben dem echten und dem falschen Zipfschen Gesetz auch die Theorie, dass es einen Zusammenhang zwischen Worthäufigkeit und Wortlänge gibt. Je häufiger ein Wort verwendet wird, desto kürzer soll es sein. Am Rande eingeworfen: Gleichzeitig soll das Alter eines Worts auch mit der Frequenz zusammenhängen. Je häufiger ein Wort verwendet wird, desto älter soll es sein.

Nach Zipf soll dies ein Resultat davon sein, dass Kommunikation möglichst effizient ausgelegt sein soll, als Biologe würde man vermutlich einfach von einem Selektionsdruck der auf möglichst hohe Effizienz hin wirkt reden. Auf jeden Fall ist es relativ einleuchtend, dass Sprache effizient wird, wenn die am meisten benutzen Worte möglichst kurz sind. Darüber wie Sprache, ebenfalls durch die Häufigkeit der Verwendung, evolviert hatten wir ja schon mal gesprochen. In einem in PNAS veröffentlichten Artikel wurde jetzt ein etwas anderer Mechanismus zur Vorhersage von Wortlängen veröffentlicht.

Anstatt rein auf die Häufigkeit eines Wortes zu achten, haben sie sich den Informationsgehalt der Worte angeschaut. Die Idee dabei ist, dass es vorteilhaft ist längere Wörter zu benutzen, wenn dafür die Informationsdichte ebenfalls mit ansteigt. Das führt dann – wenn Länge und Informationsdichte regelmässig ansteigen – dazu, dass die Rate mit der Informationen übertragen werden konstant bleibt. „Aufmerksamkeitsdefizitsyndrom“ (noch da?) benötigt zwar mehr Zeit zur Aussprache, sollte aber – im Idealfall – auch mehr Informationen übertragen als ein einfaches „Ja“. Und dazu, dass die Informationsrate relativ konstant ist, gibt es wohl bereits Hinweise.

Um jetzt zu überprüfen ob der Informationsgehalt mit der Länge zusammenhängt, hat man in der PNAS-Veröffentlichung ein mathematisches Modell gebastelt, in dem der Informationsgehalt eines Worts aus dem Kontext in dem er steht berechnet wird (In wie weit das Modell aussagekräftig und vernünftig ist kann ich leider nicht beurteilen, aber vielleicht kann ein eventuell mitlesender Linguist dabei helfen, hier gibt es mehr Details dazu). Dieses Modell haben sie dann mit einem Korpus von Google getestet. So weit ich das sehen kann allerdings nicht mit dem riesigen Korpus den die Culturomics-Leute verwendet haben.

Aber kommen wir zum spannenden Teil: Wie man in der linken Grafik sehen kann, funktioniert Zipfs Methode, der Vergleich von Frequenz mit Länge, gerade für geringere Frequenzen und steigende Länge nicht mehr. Schaut man sich hingegen die Länge in Abhängigkeit von dem berechneten Informationsgehalt im rechten Teil an, dann klappt das mit der Korrelation schon viel besser. Getestet haben sie ihr Modell dann neben Englisch auch noch für eine handvoll anderer Sprachen und die Ergebnisse sind, mal mehr mal weniger, vergleichbar.

Wenn ihr euch also mal wieder über viel zu lange Wörter, bei denen man sich verhaspelt, ärgert: Denkt dran, sie sind vermutlich schon auf den Datendurchsatz optimiert. Es könnte also viel schlimmer sein.