Sprachraumanalyse mit Hilfe einer phonetischen Ontologie

Diese Arbeit beschreibt eine quantitative Sprachraumanalyse auf Basis einer Ontologie. Ausgangspunkt sind dabei die im REDE-Projekt verfügbaren digitalisierten Kartendaten des Mittelrheinischen Sprachatlas (MRhSA). Damit die in IPA annotierten Lautobservationen genauer beschrieben werden können, wur...

Full description

Saved in:
Bibliographic Details
Main Author: Engsterhold, Robert
Contributors: Schmidt, Jürgen Erich (Prof. Dr.) (Thesis advisor)
Format: Doctoral Thesis
Language:German
Published: Philipps-Universität Marburg 2020
Subjects:
Online Access:PDF Full Text
Tags: Add Tag
No Tags, Be the first to tag this record!
Description
Summary:Diese Arbeit beschreibt eine quantitative Sprachraumanalyse auf Basis einer Ontologie. Ausgangspunkt sind dabei die im REDE-Projekt verfügbaren digitalisierten Kartendaten des Mittelrheinischen Sprachatlas (MRhSA). Damit die in IPA annotierten Lautobservationen genauer beschrieben werden können, wurde eine Ontologie (phonOntologie) entwickelt, welche die in IPA definierten Laute mit den zugehörigen phonetischen Eigenschaften in Beziehung setzt. Mittels Inferenz ist es möglich, automatisch aus den IPA-Lauten die entsprechenden, in der Ontologie definierten phonetischen Eigenschaften zu erhalten. Durch diese Technik und einer anschließenden Quantifizierung lassen sich Datensets konstruieren, die zu jedem Ort einen repräsentativen Lauteigenschaften-Vektor enthalten. Die Konstruktion der Datensets geschieht unter Berücksichtigung historischer Lautklassen. Die so generierten Datensets bilden ein Datenset zu allen Lauten, den Lauten zu den mittelhochdeutschen Langvokalen, mittelhochdeutschen Kurzvokalen und den westgermanischen Konsonanten. Diese Datensets werden anschließend mittels drei populärer Clusteralgorithmen geclustert und anhand von Stabilitätsmetriken bewertet. Es zeigt sich mittels dieser Analysen, dass es eine deutliche strukturelle Trennung zwischen dem Moselfränkischen und dem Rheinfränkischen gibt. Zusätzlich tun sich bei höheren Clusterings noch Unterregionen auf, die auch auf strukturelle Phänomene hindeuten. Da im MRhSA neben dem Hauptdatenset, das auf den Aufnahmen von älteren Sprechern („ältere Generation“) basiert, auch ein zweites Datenset, mit Aufnahmen zu jüngeren Sprechern („jüngere Generation“) vorliegt, kann in einer „apparent-time“-Analyse, der Wandel zwischen den beiden Generationen beschrieben werden. Es zeigt sich, dass obwohl es deutliche Normalisierungstendenzen gibt, der strukturelle Unterschied gewahrt bleibt. Diese Normalisierung liegt wahrscheinlich an einer Annäherung an das Standarddeutsch in beiden Regionen.
Physical Description:249 Pages
DOI:10.17192/z2020.0213