Wie Big Data die Art und Weise verändert, wie wir Menschen eine neue Sprache lernen

Sprache ist einer der ältesten Lerngegenstände überhaupt und einer der datenreichsten. Jedes Wort steht in Beziehung zu anderen, jede Regel hat Ausnahmen, und die Aussprache hängt an Herkunft, Alter und Situation der Sprechenden. Genau diese Menge an Zusammenhängen ließ sich lange nur mit Lehrbuch und Wiederholung erschließen.

Was sich geändert hat, ist die Grundlage: Sprachtechnologie beruht heute auf sehr großen Textsammlungen und den daraus trainierten Modellen. Der Begriff „Big Data“ beschreibt dabei eher den Weg dorthin als das, was Lernende heute in der Hand halten.

Was mit großen Datenmengen gemeint ist

Der Ausdruck bezeichnet Datenbestände, die für herkömmliche Verarbeitung zu groß, zu vielfältig oder zu schnelllebig sind. Vier Eigenschaften werden üblicherweise genannt.

Umfang. Die schiere Menge — bei Sprache also Textsammlungen aus Büchern, Zeitungen, Untertiteln, Foren und Transkripten, die zusammen weit über das hinausgehen, was ein Mensch im Leben liest.

Vielfalt. Text, Ton, Bild und Video liegen in unterschiedlichen Formaten vor und müssen für die Auswertung zusammengeführt werden. Bei Sprache kommt hinzu, dass geschriebene und gesprochene Form auseinanderfallen.

Geschwindigkeit. Daten entstehen laufend statt in Erhebungen. Für Sprache heißt das, dass neue Wörter und Wendungen in den Beständen auftauchen, kurz nachdem sie in Gebrauch gekommen sind.

Verlässlichkeit. Die schwierigste Eigenschaft. Große Sammlungen enthalten Fehler, Werbung, automatisch erzeugten Text und einseitige Ausschnitte der Wirklichkeit. Was daraus gelernt wird, trägt diese Schieflagen weiter.

Wo Daten das Sprachenlernen tatsächlich verändert haben

Vier Anwendungen sind aus dem Lernalltag kaum noch wegzudenken.

Wiederholung nach Algorithmus. Lernprogramme planen die Wiederholung einer Vokabel nicht nach festem Kalender, sondern nach dem eigenen Antwortverhalten. Wer ein Wort sicher beherrscht, sieht es seltener; wer stockt, bekommt es früher wieder vorgelegt. Die zugrunde liegenden Verfahren sind über Jahrzehnte aus Millionen von Lernvorgängen verfeinert worden und schätzen inzwischen recht genau, wann eine Erinnerung zu verblassen beginnt.

Häufigkeitslisten aus Textsammlungen. Welche Wörter lohnen sich zuerst? Diese Frage lässt sich empirisch beantworten, indem man auszählt, was in realen Texten tatsächlich vorkommt. Lehrwerke und Apps ordnen ihren Wortschatz heute weitgehend danach — mit dem Ergebnis, dass Lernende früher anschlussfähig sind, weil sie zuerst das lernen, was ihnen ständig begegnet.

Aussprachebewertung. Spracherkennung vergleicht eine Aufnahme mit dem, was das Modell erwartet, und markiert die Stellen, an denen beides auseinandergeht. Das ersetzt keine Lehrkraft, gibt aber Rückmeldung zu einer Fertigkeit, für die man sonst immer eine zweite Person braucht.

Fehlermuster nach Ausgangssprache. Aus großen Sammlungen von Lernertexten lässt sich ablesen, welche Fehler typischerweise auftreten, wenn jemand von einer bestimmten Muttersprache aus lernt. Kursmaterial kann daraufhin die Punkte betonen, die für diese Gruppe erfahrungsgemäß schwierig sind.

Der Bruch von 2022

Bis dahin war maschinelle Sprachverarbeitung vor allem Statistik über Wortfolgen. Neuronale Übersetzungssysteme hatten die Qualität bereits deutlich angehoben, aber die Werkzeuge blieben Werkzeuge: Wörterbuch, Übersetzer, Vokabeltrainer.

Mit großen Sprachmodellen ist etwas hinzugekommen, das vorher nicht verfügbar war — ein Gegenüber, das jederzeit antwortet. Lernende können ein Gespräch auf ihrem Niveau führen, sich einen Text vereinfachen lassen, nach dem Unterschied zwischen zwei ähnlichen Formulierungen fragen und zu einer Korrektur eine Begründung bekommen. Der teuerste Teil des Sprachenlernens war immer die Zeit einer Person, die zuhört und korrigiert. Genau dieser Teil ist billig geworden.

Das hat eine Kehrseite. Modelle erzeugen plausibel klingende Antworten, auch wenn sie falsch liegen; eine erfundene Grammatikregel liest sich genauso überzeugend wie eine richtige. Für verbreitete Sprachen fällt das kaum ins Gewicht, weil die Datenlage dicht ist. Für Sprachen mit wenig verfügbarem Textmaterial wird es schnell unzuverlässig — und das sind die meisten Sprachen der Welt.

Was sich daraus für den eigenen Lernweg ergibt

Aus den beschriebenen Werkzeugen lässt sich ein Vorgehen zusammensetzen, das vor zehn Jahren so nicht möglich war.

Am Anfang steht der Wortschatz nach Häufigkeit statt nach Lehrbuchkapitel — mit einem Programm, das die Wiederholung selbst einteilt. Danach kommt echtes Material früher ins Spiel, als es früher üblich war: Untertitel lassen sich automatisch erzeugen und übersetzen, sodass Filme und Podcasts in der Zielsprache auch dann nutzbar sind, wenn man noch längst nicht alles versteht. Und für den Teil, der immer am schwersten zu organisieren war — sprechen und korrigiert werden —, steht ein Modell zur Verfügung, das nicht müde wird und nicht ungeduldig.

Zwei Gewohnheiten machen dabei den Unterschied. Erstens: nach der Korrektur nach der Regel fragen, nicht nur nach dem richtigen Satz — sonst bleibt es beim Nachsprechen. Zweitens: Auskünfte zu Wortbedeutungen bei seltenen Wörtern gegenprüfen, in einem Wörterbuch oder einer Belegsammlung. Genau dort erfinden Modelle am ehesten etwas.

Was Daten nicht abkürzen

Die Vorstellung, mit genug Daten ließe sich der Lernaufwand umgehen, hält der Erfahrung nicht stand. Datengetriebene Werkzeuge machen die Wiederholung effizienter, die Rückmeldung schneller und den Einstieg günstiger. Die Wiederholung selbst nehmen sie niemandem ab.

Dazu kommt ein Punkt, der beim Einsatz im Unternehmen zählt: Lernanwendungen sammeln viel. Lernverlauf, Fehlerprofil und vor allem Sprachaufnahmen sind personenbezogene Daten. Wer solche Werkzeuge für Mitarbeitende einführt, sollte klären, wo diese Daten liegen, wie lange sie aufbewahrt werden und ob sie in das Training weiterer Modelle einfließen.

Der Übergang zur eigenen Website

Für Unternehmen taucht dieselbe Technik an einer anderen Stelle wieder auf: bei mehrsprachigen Websites. Maschinelle Übersetzung ist gut genug geworden, um eine Rohfassung in kurzer Zeit zu liefern, und schlecht genug, um ohne Überarbeitung aufzufallen — bei Fachbegriffen, Produktbezeichnungen und allem, was mit Recht und Preisen zu tun hat.

Suchmaschinen verbieten maschinell übersetzte Inhalte nicht. Bewertet wird das Ergebnis: Ein unredigierter Text, der nichts eigenes beiträgt, wird als das behandelt, was er ist. Warum das so ist, erklärt der Wiki-Eintrag zu Unique Content; wie sich Inhalte insgesamt auf Sichtbarkeit auswirken, steht auf unserer Seite zur Suchmaschinenoptimierung.

Wie sich dieselben Verfahren in einem ganz anderen Feld auswirken, beschreibt der Beitrag darüber, wie SaaS und maschinelles Lernen die Sportübertragung verändert haben. Weitere Texte zum Thema stehen im Bereich Big Data.

Image by Gordon Johnson from Pixabay