Inguschetische Sprache digital: PaydaDosh-Plattform

# Digitale Wiederbelebung des Inguschischen: Wie PaydaDosh ein Wörterbuch, Korpus und KI-Modelle aufbaut

Das Projekt PaydaDosh ist eine offene linguistische Plattform, die ein Wörterbuch, einen parallelen Korpus und KI-Tools kombiniert, um die inguschische Sprache zu unterstützen. Die gesammelte Datenbank umfasst über 66.000 Wörterbucheinträge und Zehntausende ausgerichteter Sätze, was sie zur größten Ressource für das Studium und die Erhaltung der Sprache macht. Das Inguschische, das zu den Nax-Sprachen der kaukasischen Sprachfamilie gehört, wird von etwa 400.000 bis 500.000 Menschen gesprochen, aber seine digitale Präsenz war bis vor Kurzem minimal.

Plattformkomponenten: Vom Wörterbuch bis zum KI-Assistenten

PaydaDosh stellt Entwicklern und Linguisten eine umfassende Sammlung von Ressourcen zur Verfügung:

• Wörterbuch — 66.524 Einträge mit Übersetzungen, grammatikalischen Markierungen, Wortformen und Audio-Beispielen.
• Paralleler Korpus — Sätze aus realen Texten, ausgerichtet mit russischen Übersetzungen. Enthält den historischen Roman Magas the Blessed (34.156 Sätze), Folklore (9.477 Sätze) und Übersetzungen klassischer Werke (Puschkin, Turgenev u. a.).
• Thematische Sammlungen — 2.156 Sprichwörter in 16 Kategorien unterteilt (Arbeit, Familie, Ehre usw.) sowie 171 Parabeln mit parallelen Übersetzungen.
• Phrasebuch — Fertige Phrasen nach Situationen gruppiert für den praktischen Einsatz.
• Community — „Fragen“-Bereich, in dem Muttersprachler Anfragen zu Grammatik und Übersetzung beantworten, wobei autoritative Antworten gekennzeichnet sind.
• KI-Assistent — Erzeugt automatisch vorläufige Antworten auf Fragen mithilfe von Wörterbuch- und Grammatikdaten.
• Mobile Apps — Zwei Android-Apps (eine offline) und ein Telegram-Bot mit Datensynchronisation.

Alle Ressourcen sind offen und frei zugänglich, was für die Unterstützung von Sprachen mit geringen Ressourcen im digitalen Zeitalter entscheidend ist.

Datenquellen: Von klassischen Wörterbüchern bis zu modernen Sammlungen

Das Wörterbuch basiert auf dem Projekt „Ingush Language Dictionary Compendium“ (ghalghay.github.io), wurde von PaydaDosh jedoch erheblich erweitert, indem Daten aus vielfältigen Quellen integriert wurden. Dazu gehören:

• M. G. Uzhaev _Ingush-Russian Dictionary_ (1927)
• Z. K. Malsagov _Ingush Terminological Collection_ (1933)
• Johanna Nichols. _Ingush-English and English-Ingush Dictionary_ (2004), ins Russische übersetzt von Ahmed Bekov
• A. S. Kurkiev _Ingush-Russian Dictionary_ (2005)
• A.-M. M. Dudarov _Ingush Agriculture_ (2015)
• N. D. Kodzoev _Dictionary of Computer Terms_ (2016)
• Kinderzeitschrift „SelaIad“ (294 Ausgaben)

Jeder Wörterbucheintrag enthält einen Link zur Quelle als Kurzcode, was Transparenz gewährleistet und Forschern die Überprüfung der Originale ermöglicht. Dieser Ansatz ist besonders für wissenschaftliche Arbeiten wichtig, wo die Genauigkeit der Daten oberstes Gebot ist.

Technische Umsetzung: Morphologie, Korpus und KI

Das Inguschische weist eine ergative Struktur, ein komplexes Kasussystem und Verbklassen auf, die spezialisierte Verarbeitungstools erfordern. PaydaDosh bewältigt dies durch:

Fuzzy-Suche mit morphologischer Analyse. Der Algorithmus erkennt Wortformen und priorisiert exakte Treffer. Für eine Sprache, in der ein einzelnes Basiswort Dutzende von Formen erzeugen kann, steigert das die Relevanz der Suche. Beispielsweise liefert eine Anfrage nach „kho“ (ich) alle Pronomenformen, hebt aber die Basisform hervor.

Verknüpfung von Korpus und Wörterbuch. Jeder Satz im parallelen Korpus ist mit Wörterbucheinträgen verknüpft. Ein Klick auf ein Wort im Text führt zum Eintrag, und die Wortkarte zeigt Beispiele aus dem Korpus. Die Suche funktioniert sowohl im Inguschischen als auch im Russischen Text und erleichtert die Arbeit mit parallelen Daten.

KI-Integration im Fragensystem. Bei einer neuen Anfrage erzeugt das System eine vorläufige Antwort basierend auf bestehenden Daten und senkt so die Einstiegsschwelle für Nutzer. Antworten von Muttersprachlern sind separat gekennzeichnet, und Abstimmungen fördern die genauesten.

Plattformübergreifende Synchronisation. Suchverlauf, Favoriten und Nutzerbeiträge synchronisieren sich über Website, Telegram-Bot und Mobile-Apps und schaffen ein einheitliches Ökosystem für Spracharbeiten in jedem Format.

Mechanismus für Nutzerbeiträge. Registrierte Nutzer können neue Wörter, Beispiele oder Audioaufnahmen hinzufügen. Alle Einreichungen durchlaufen eine Moderation durch Redakteure vor der Veröffentlichung, um die Datenqualität zu sichern.

Wert des parallelen Korpus für die Computerlinguistik

Der parallele Korpus ist eine Schlüsselressource für die Entwicklung von NLP-Tools. Für das Inguschische, wie für die meisten kaukasischen Sprachen mit geringen Ressourcen, fehlten solche Materialien bisher vollständig. PaydaDosh schließt diese Lücke durch:

• 218 ausgerichtete Sätze aus The Tale of Igor's Campaign für syntaktische Analysen.
• 2.918 Sätze aus Puschkins The Captain's Daughter, die Übersetzungsstrategien untersuchen lassen.
• Folklore- und moderne Literaturtexte, die den Alltagssprachgebrauch widerspiegeln.

Diese Datensätze sind unersetzlich für das Training von Sprachmodellen, insbesondere bei Maschin übersetzungsaufgaben. Standardverfahren für große Sprachen versagen oft bei ergativen Systemen und nicht standardisierten Schriften, weshalb maßgeschneiderte Korpora für die Anpassung von Technologien unerlässlich sind.

Entwicklungspläne: Von Mobile-Apps bis zu Bildungstools

Das PaydaDosh-Team konzentriert sich auf drei Schwerpunkte:

• Korpus-Erweiterung — Hinzufügen originaler inguschischer Texte, einschließlich moderner Prosa und Journalistik.
• Vertiefung der KI-Funktionen — Entwicklung von Modellen, die inguschische Grammatikbesonderheiten berücksichtigen, um die Genauigkeit automatischer Antworten zu verbessern.
• Bildungstools — Übertragung mobiler Quizze und Karteikarten auf die Webplattform sowie Erstellung interaktiver Lektionen.

Besondere Aufmerksamkeit gilt der Unterstützung von Forschern: Eine API für programmgesteuerten Datenzugriff und Korpus-Analyse-Tools sind geplant. Dadurch wird die Plattform nicht nur zu einem Nachschlagewerk, sondern zu einem Labor für die Computerlinguistik.

Wichtige Erkenntnisse

• Datenumfang: 66.524 Wörterbucheinträge und 43.633 Sätze im parallelen Korpus bilden die Grundlage für die NLP-Entwicklung.
• Technische Anpassung: Fuzzy-Suche mit Morphologie bewältigt die hohe flektierende Produktivität des Inguschischen.
• Offenheit: Alle Ressourcen sind frei nutzbar, was für die Erhaltung von Sprachen mit begrenztem digitalem Ökosystem entscheidend ist.
• Community: Die Kombination aus KI und moderierten Beiträgen von Muttersprachlern schafft ein nachhaltiges Wachstumsmodell.

— Editorial Team