استنتاج سببی شار واژگانی با رویکرد نظریه اطلاعات ۲۰۱۹
Information-theoretic causal inference of lexical flow 2019

این اثر تلاش دارد تا شبکه‌های بزرگ تبارزایی را از داده‌های واژگانی رمزگذاری‌شده از نظر آوایی استنباط کند و از این طریق به مطالعه تاریخی گونه‌های زبانی کمک کند. گام فنی که پیشرفت را در این مورد ممکن می‌سازد، استفاده از الگوریتم‌های استنتاج علّی است. مجموعه‌های نمونه‌ای از واژگان گونه‌های زبانی به مجموعه‌های هم‌ریشه‌ی استنباط‌شده‌ی خودکار پیش‌پردازش می‌شوند و سپس بر اساس یک معیار شهودی از همپوشانی هم‌ریشه‌ها، به عنوان متغیرهای نظریه‌ی اطلاعات مدل‌سازی می‌شوند. سپس استنتاج علّی بر روی این متغیرها اعمال می‌شود تا وجود و جهت نفوذ بین گونه‌ها تعیین شود. کمان‌های جهت‌دار در ساختارهای گراف حاصل را می‌توان به عنوان بازتابی از وجود و جهت‌گیری جریان واژگانی تفسیر کرد؛ یک مدل یکپارچه که وراثت و وام‌گیری را به عنوان دو روش اصلی انتقال که واژگان اساسی زبان‌ها را شکل می‌دهند، در بر می‌گیرد. یک معیار جداسازی مبتنی بر جریان و معیارهای تشخیص جهت‌گیری خاص دامنه توسعه داده شده‌اند تا الگوریتم‌های استنتاج علّی موجود را در برابر داده‌های هم‌ریشگی ناقص قوی‌تر کنند و در نتیجه دو الگوریتم جدید ایجاد کنند. الگوریتم استنتاج جریان واژگانی تبارزایی (PLFI) نیازمند آن است که ویژگی‌های واژگانی زبان‌های نیا-اولیه از قبل بازسازی شوند، اما شبکه‌های تبارزایی کاملاً کلی را به دست می‌دهد، در حالی که الگوریتم پیچیده‌تر استنتاج جریان واژگانی تماسی (CLFI) زبان‌های نیا-اولیه را به عنوان علل مشترک پنهان در نظر می‌گیرد و فقط فرضیه‌هایی از موقعیت‌های تماس تاریخی بین زبان‌های مستندشده را برمی‌گرداند. این الگوریتم‌ها هم در برابر یک پایگاه داده بزرگ واژگانی از شمال اوراسیا که شامل بسیاری از خانواده‌های زبانی می‌شود و هم در برابر داده‌های شبیه‌سازی‌شده تولیدشده توسط یک مدل جدید از تماس زبانی که بر باز و بسته شدن کانال‌های تماسی جهت‌دار به عنوان رویدادهای تکاملی اصلی بنا شده است، ارزیابی می‌شوند. مشخص شده است که الگوریتم‌ها وجود تماس‌ها را به طور بسیار قابل اعتمادی استنباط می‌کنند، در حالی که استنتاج جهت‌گیری همچنان دشوار است. این امر در حال حاضر الگوریتم‌های جدید را به نقشی به عنوان ابزارهای اکتشافی برای تشخیص سریع الگوهای برجسته در مجموعه‌های داده واژگانی بزرگ محدود می‌کند، اما به زودی امکان‌پذیر خواهد بود که این چارچوب، به عنوان مثال با مقادیر اطمینان برای هر تصمیم جهت‌گیری، بهبود یابد.

This volume seeks to infer large phylogenetic networks from phonetically encoded lexical data and contribute in this way to the historical study of language varieties. The technical step that enables progress in this case is the use of causal inference algorithms. Sample sets of words from language varieties are preprocessed into automatically inferred cognate sets, and then modeled as information-theoretic variables based on an intuitive measure of cognate overlap. Causal inference is then applied to these variables in order to determine the existence and direction of influence among the varieties. The directed arcs in the resulting graph structures can be interpreted as reflecting the existence and directionality of lexical flow, a unified model which subsumes inheritance and borrowing as the two main ways of transmission that shape the basic lexicon of languages. A flow-based separation criterion and domain-specific directionality detection criteria are developed to make existing causal inference algorithms more robust against imperfect cognacy data, giving rise to two new algorithms. The Phylogenetic Lexical Flow Inference (PLFI) algorithm requires lexical features of proto-languages to be reconstructed in advance, but yields fully general phylogenetic networks, whereas the more complex Contact Lexical Flow Inference (CLFI) algorithm treats proto-languages as hidden common causes, and only returns hypotheses of historical contact situations between attested languages. The algorithms are evaluated both against a large lexical database of Northern Eurasia spanning many language families, and against simulated data generated by a new model of language contact that builds on the opening and closing of directional contact channels as primary evolutionary events. The algorithms are found to infer the existence of contacts very reliably, whereas the inference of directionality remains difficult. This currently limits the new algorithms to a role as exploratory tools for quickly detecting salient patterns in large lexical datasets, but it should soon be possible for the framework to be enhanced e.g. by confidence values for each directionality decision.