[論文レビュー] Phylogeny and geometry of languages from normalized Levenshtein distance

Maurizio Serva|arXiv (Cornell University)|Apr 22, 2011

Language and cultural evolution参考文献 15被引用数 4

ひとこと要約

本稿では、主観的な類義語同定に依存せずに、言語間の語彙的距離を客観的に測定するための正規化されたレーベンシュタイン距離法を提案する。マダガスカルの方言に適用したところ、650年頃の集住時期と南東海岸への上陸地点が明らかになり、海洋移住経路を裏付けるとともに、従来の語彙統計学とは対照的に、幾何学的アプローチに基づく再現可能で客観的な代替手法を提供する。

ABSTRACT

The idea that the distance among pairs of languages can be evaluated from lexical differences seems to have its roots in the work of the French explorer Dumont D'Urville. He collected comparative words lists of various languages during his voyages aboard the Astrolabe from 1826 to 1829 and, in his work about the geographical division of the Pacific, he proposed a method to measure the degree of relation between languages. The method used by the modern lexicostatistics, developed by Morris Swadesh in the 1950s, measures distances from the percentage of shared cognates, which are words with a common historical origin. The weak point of this method is that subjective judgment plays a relevant role. Recently, we have proposed a new automated method which is motivated by the analogy with genetics. The new approach avoids any subjectivity and results can be easily replicated by other scholars. The distance between two languages is defined by considering a renormalized Levenshtein distance between pair of words with the same meaning and averaging on the words contained in a list. The renormalization, which takes into account the length of the words, plays a crucial role, and no sensible results can be found without it. In this paper we give a short review of our automated method and we illustrate it by considering the cluster of Malagasy dialects. We show that it sheds new light on their kinship relation and also that it furnishes a lot of new information concerning the modalities of the settlement of Madagascar.

研究の動機と目的

• 主観的な類義語同定に依存せず、言語間の語彙的距離を客観的かつ再現可能に測定する手法を開発すること。
• 専門家の判断に依存し、インドヨーロッパ語族に偏りがちな従来の語彙統計学の限界を克服すること。
• 言語データに遺伝学的アプローチを適用し、語彙をDNA配列に類似させること。
• 系統発生的手法と幾何学的（多次元尺度構成）手法を併用し、言語の関係性と分岐のタイムラインを解明すること。
• 本手法をマダガスカル方言に適用し、移住歴史、集住時期、地域的多様性のパターンを推定すること。

提案手法

• 同じ意味を持つ語同士の間で正規化されたレーベンシュタイン距離を計算する。定義は d(ω₁,ω₂) = dₗ(ω₁,ω₂)/l(ω₁,ω₂) であり、dₗ は標準的なレーベンシュタイン距離、l はより長い語の長さである。
• 正規化により距離が 0 から 1 の間で有界となり、語の長さに依存しない比較が可能になり、長い語によるバイアスが回避される。
• 対ごとの語彙的距離を距離行列に集約し、それを構造的成分分析（SCA）を用いて2次元または3次元のユークリッド空間に埋め込む。
• SCA は縦方向（系統発生的）および横方向（接触）の関係を両方保持し、クラスタリングや分岐パターンを明らかにする。
• SCA空間における原点からの半径的距離は、祖語からの分岐までの時間遅れに比例し、言語的分岐の年代測定が可能になる。
• 本手法は、23種のマダガスカル方言および2つのオーストラネーゼ語（マレー語とマアニャン語）に適用され、スワドシュ語彙リストと自動的・標準化された綴り比較が用いられた。

実験結果

リサーチクエスチョン

• RQ1 類義語の判断に依存せず、言語間の語彙的距離を測定する客観的かつ再現可能な手法とは何か？
• RQ2 言語の関係性を系統発生ツリーだけでなく、多次元空間における幾何学的配置としても表現できるか？
• RQ3 語彙的分岐パターンに基づくと、マダガスカル語族はいつ、どこで発生したと推定されるか？
• RQ4 SCA空間における方言の半径的分布は、言語的分岐のタイミングをどのように示唆するか？
• RQ5 マダガスカル方言の空間的位置がマレー語およびマアニャン語と比較して示す情報は、移住経路と集住パターンにどのように寄与するか？

主な発見

• 本手法は、マダガスカル方言に4つの主要な方言クラスタを明確に特定した。アントァンドロ方言は相対的に孤立しているが、他のマダガスカル方言と同一平面上に位置している。
• SCA空間における半径的分布から、約1350年の分岐遅れが示され、650年頃の創始的出来事が対応すると推定された。
• アンタナナリボ、フィアナラントサ、マナジャリ、マナカラの方言は、マアニャン語およびマレー語とより近い語彙的距離を示しており、マダガスカルの南東海岸への上陸地点を示唆している。
• 本手法により、南東地域に高い言語的多様性が確認され、インドネシアとその海岸を結ぶ海洋の流れと整合的である。
• 本手法は、スンダ海峡経由でインドネシアから移住したというシナリオを支持しており、地理的・文化的に離れているにもかかわらず、マアニャン語が最も近縁の言語であると判明した。
• 本手法は盲検分析が可能であり、事前の仮説によるバイアスを低減し、従来の語彙統計学の代替として再現可能である。