[论文解读] Are Sounds Sound for Phylogenetic Reconstruction?

Luise Häuser, Gerhard Jäger+3 more|arXiv (Cornell University)|Feb 5, 2024

Animal Vocal Communication and Behavior被引用 7

一句话总结

本研究比较来自十组语言数据集的基于词汇同源词、语音对应关系及二者结合推断的系统发育树，发现在概念同源词和拼接数据构成的树通常比基于语音对应的树更接近 GOLD 标准；适用于分子数据的贝叶斯先验可能会对语言分析产生偏差，且基于语音的方法很少优于基于同源词的方法。

ABSTRACT

In traditional studies on language evolution, scholars often emphasize the importance of sound laws and sound correspondences for phylogenetic inference of language family trees. However, to date, computational approaches have typically not taken this potential into account. Most computational studies still rely on lexical cognates as major data source for phylogenetic reconstruction in linguistics, although there do exist a few studies in which authors praise the benefits of comparing words at the level of sound sequences. Building on (a) ten diverse datasets from different language families, and (b) state-of-the-art methods for automated cognate and sound correspondence detection, we test, for the first time, the performance of sound-based versus cognate-based approaches to phylogenetic reconstruction. Our results show that phylogenies reconstructed from lexical cognates are topologically closer, by approximately one third with respect to the generalized quartet distance on average, to the gold standard phylogenies than phylogenies reconstructed from sound correspondences.

研究动机与目标

• 评估语音对应模式是否比词源同源词产生更准确的语言系统发育树。
• 实现同源词检测和语音对应推断的自动化，并在贝叶斯和机器学习框架中进行评估。
• 用最大似然分析对贝叶斯结果进行交叉验证并检验先验效应。
• 使用金标准的 Glottolog 树将基于语音的系统发育树与基于同源词的系统发育树进行比较。
• 研究结合数据类型是否提供更优的系统发育信号。

提出的方法

• 将同源词判断和语音对应模式编码为二进制的存在-缺失矩阵。
• 用时间可逆的二元状态连续时间马尔可夫链（CTMC）对性状的获得/损失进行建模。
• 使用 MrBayes 进行贝叶斯系统发育推断，采用标准化的先验并检验 alpha 形状先验。
• 在 BIN+G 下使用 RAxML-NG 进行 ML 系统发育推断，使用 ML 估计的 alpha 来表征速率异质性。
• 修剪音系对齐以降低噪声，并使用 LingRex/LingPy 计算语音对应关系；以广义四分距（GQD）对 Glottolog 树进行评估。
• 测试三组数据集：同源词、语音对应关系和拼接矩阵。

Figure 1: Gain-loss processes derived from binary cognate vectors. A shows a wordlist where cognate words are encoded as multi-state characters. B shows the corresponding binary encoding. C shows how gain and loss processes are modeled on a phylogenetic tree.

实验结果

研究问题

• RQ1 来自同源词数据的系统发育树是否比来自语音对应的系统发育树更接近金标准树？
• RQ2 基于语音对应的系统发育树是否在任何情况下比基于同源词的系统发育树更接近金标准？
• RQ3 将同源词数据与语音数据拼接是否能产生优于单独使用任一数据类型的系统发育树？
• RQ4 为分子数据调整的贝叶斯先验是否会偏置语言系统发育结果，ML 分析能否揭示此类偏差？
• RQ5 多数据集下，基于语音的系统发育树在广义四分距（GQD）方面与基于同源词的系统发育树相比如何？

主要发现

• 基于同源词数据和拼接数据的系统发育树在准确度上大致处于同一范围，且通常比基于语音对应的树更接近金标准。
• 在这十个数据集中，基于语音对应的系统发育树从未在贝叶斯分析中产生最佳结果。
• 拼接数据在十个数据集中的七个获得最佳结果，同源词数据在剩余三个中最好。
• ML 分析在很大程度上证实贝叶斯结果，显示基于同源词和拼接数据的树通常比基于语音的树更接近金标准。
• 默认的分子先验可能会偏置语言贝叶斯结果；结合 ML 分析有助于诊断此类偏差。
• 本研究强调在将贝叶斯方法应用于语言数据时需要重新评估先验和建模选择。