S aipsniai A ikel 273
CHARITONCHARITONIDIS
Unabhängige Fo sche
ORCID-Id: o cid.o g/0000-0003-0298-2629 Diese Anweisung gil ü alle Un e nehmen, die in de EU ä ig sind.
Fo schungsbe eiche: Wo bildung, Meh wo -Ausd ücke,
lexikalische Seman ik, Wo e kennung, Emo ionen.
DOI: doi.o g/10.35321/all90-11
E o schung on SCALED-AIC
Inne halb geschlossenes Englisch
Ve bindungen
Englisch ü jungda ige Sp achen
(sudu inių žodžių) skalės AIC Un e suchung
Anme kung
Das Akaike In o ma ion C i e ion (AIC) is ein e ablie es Goodness-o -Fi -Maß ü die Auswahl on
Modellen bei de Analyse empi ische Da en. Die alidi ä is jedoch sensibel ü die S ichp obeng öße. Die
o he igen Un e suchungen des Au o s haben gezeig , dass Scaled als ein wi ksames We kzeug zu
Beu eilung de Modelleinpassung und zu Hie a chisie ung on Reg essionsmodellen e wende wi d. Die
o liegende S udie un e such wei e e Eigenscha en diese Va iablen. Schlüsselwö e : englische
Ve bindungen, skalie e AIC, lexikalische En scheidung, Bezeichnung.
ANOTACIJA
Akaikės in o macijos k i e ijus (angl. AIC) is pas o us modelių inkamumo ma as, aikomas
empi inių duomenų analizei. Alle dings is AIC jau us dyd ies imžiui. Anks esni
Cha i on und Cha i onidis
274 Ac a Linguis ica Li uanica XC au o iaus y imai pa odė, kad skalės pa i inimas, padaly as iš
im ies dydžio, y a eiksminga p iemonė modelio inkamumui į e in i i eg esijos modeliams
hie a chizuo i. Šiame y ime nag inėjamos olimesnės šio kin ypa ybių. pa i imo objek as 66
daugių eg esijos modeliai, susiję su užda ų (sudu inių) anglų kalbos junginių, paimų iš bazės (AIC)
apdo ojimu Pi miausia siūlomas su p ojek ų me odai Analysis o a iance (ANOVA), pag indinių
Gagné’ėsi ki ų (2019)Anglųkalbossudu iniųžodžių(junginių) didžiosiosduomenų
ezul a u i i i i apa inų. ESMINIAI ŽODŽIAI: englische Sp ache junginiai (sudu iniai žodžiai), skalės
p ojek u(angl.ELP)i B i ųkalbosžodynop ojek u(angl.BLP),kaipa sakolaiko,leksinių
sp endimųi į a dijimoužduočių,junginiųilgioi skaid umono mųšal iniai.Naudojami
AIC, leksinis sp endimas, į a dijimas.
1. Die g oße Da enbank
on englischen Ve bindungen
(LADEC: GAGNÉ ET AL. 2019) 1 Die Kommission wi d die Kommission au die G undlage de o liegenden Ve o dnung beau agen.
Die La ge Da abase o English Compounds (LADEC: Gagné e al. 2019) is die g öß e bes ehende
Da enbank on zusammengese z en Wö e n. Aus de olls ändigen Reihe on LADEC-Ein ägen
können übe 8000 nich zusammengese z e (geschlossene ode zusammengese z e)
zusammengese z e Subs an i namen aus e schiedenen Quellen ausgewähl we den, da un e
un e ande em die CELEX (NC Baayen e al. 1995), das English Lexicon P ojec (ELP; Balo a e al.
2007), das B i ish Lexicon P ojec (BLP; Keele e al. 2012), das B i ish Na ional Co pus (B) und die
LADEC-Wo dne . Fü eine ku ze De ini ion de G uppen on Zusammense zungen siehe Abbildung
1. Die Mul iple-Reg ession-Modelle on Gagné e al. (2019) um assen eine b ei e Pale e on
P ädik o - (= unabhängigen) Va iablen, wie z. B. Ve bundlänge, Big am-F equenz 1 Diese
Abschni wu de mi leich en Ände ungen on Cha i on Cha i onidis (2022) übe nommen.
2004:46).The i s non-headcons i uen  e e s oawide angeo g amma ical
2
LADEC en häl Plu ale on be ei s au gelis e en Ve bindungen als sepa a e Ein äge.
S aipsniai A ikel 275
Explo ing Scaled AIC wi hin English Closed Compounds
Die loga i hmischen Reak ionszei en ü die Ve bindungen aus ELP (lexikalische
En scheidung, Benennung) und BLP (lexikalische En scheidung) we den als abhängige
Va iablen e wende . Fü den g öß en Teil haben die Ve bindungslänge (Zahl de Zeichen)
und die Loga i hmische Ve bindungs equenz aus dem SULEX-US-BT (B ysbae , New) 20093
und BNC (BLP) als Kon oll a iablen e wende .
Abbildung 1. LADEC-Ein äge:
P obe nach dem Todesleben
Vo hängeschloss Aschenbeche
Eie kop Schnü senkel Bu e cup
Tag äumen He zsch i mache
Nach eil Schme zmi el Rückbo d
Augenb aue Sch o lin e
Flugzeuge Dummköp chen
E dbeben We Ballspiele
Hausmeis e Nachkommen
Leh buch Schi b uch
Ausges oßene Rückwi kung
K euz eue Übe ieb Umkeh
Die S udie on Gagné e al. (2019) konzen ie e sich haup sächlich au e schiedene
Maßnahmen de seman ischen T anspa enz. Gagné e al. (2019) ba en die Teilnehme ,
Ve bindungen zu bewe en, wobei zu be ücksich igen wa , wie o he sehba die Bedeu ung
de Ve bindung aus ih en Teilen is (d. h. Vo he sehba kei sbewe ungen, zusammengese z )
und wie iel de Bedeu ung jede de Bes and eile in de Ve bindung e hal en bleib (d. h.
Au bewah ungsbewe ungen, zusammengese z ).
3
Das Sub lex-US-Ko pus is ein Ko pus mi 51 Millionen Token, de au Un e i eln aus US-Filmen und
Fe nsehsendungen basie . Meh e e jüngs e S udien haben Beweise da ü gelie e , dass F equenzno men, die
aus Un e i eln on Filmen und Fe nsehsendungen gewonnen we den, endenziell e ek i e sind als die aus
ged uck en Tex en abgelei e en, wenn es da um geh , die Un e schiede in de lexikalischen Ve a bei ungszei
und in einigen Fällen in de Genauigkei un e Mu e sp achle n e schiedene Sp achen zu e klä en.
2018: 2 und die da in en hal enen Ve weise.
Cha i on und Cha i onidis
276 Ac a Linguis ica Li huanica XC e s e Bes and eil ko elie e s ä ke mi de Bewe ung
ü die gesam e Ve bindung als mi de Bewe ung ü den zwei en Bes and eil (c1 ~ cmp: =
0,75, p <.001 s. c2 ~ cmp: = 0,66, p <.001. N = 429).4 Am beme kenswe es en wa en die Bewe ung
de Sinnes e en ion ü den e s en Bes and eil und die Bewe ung de
Bedeu ungs o he sehba kei , die lexikalische En scheidung on BLP und die Benennung on
o  hecompoundp edic edall h ee ypeso  esponse imes,i.e.ELPlexical
ELP-Zei en. Abschließend is die höchs e und höhe e Ve eilung de T anspa enz ü den
zwei en Bes and eil und die besse e Assozia ion des e s en Bes and eils mi den
Kop ope a ionen in englischen Ve bindungen. De zwei e Bes and eil, d.h. de Kop , is eine
compound’s meaning p edic abili y appea  o be immedia ely mapped on o
Einhei , de en T anspa enz ka ego isch und seman isch e besse wi d (was den
seman ischen Aspek be i , siehe die Beziehungen on En ailmen und Hyponymie). Ein kleine
Sa z on P ädik o en wi d ypische weise mi e izien e en Modellen (Modellen mi ge inge em
In o ma ions e lus ) in Ve bindung geb ach . Je nied ige de We is , des o besse pass das
Modell. In diesem Zusammenhang bes a AIC als Goodness-o -Fi -Messung die Ve wendung
o  hecompoundmos s ongly.5
2. AKAIKEINFORMATIONCRITERION(AIC)
In 1973, Hi o ugu Akaike de eloped a me hod o es ima e he ela i e
eine g oßen Anzahl on P ädik o en, die po enziell zu höhe en We en üh en (siehe AIC = 2k).
pa o  heAICequa ion).
4
S eige ’s(1980)z es showed ha  hisdi e encewassigni ican ,z=27.71,p<.0001(Gagné
e al.2019).
5 In Bezug au ühe e Fo schungen be ich en Gagné e al. (2019) da übe , dass "de Modi ika o (de e s e Bes and eil im
Englischen) bei de Auswahl de Rela ions eundlichkei bei de Ve a bei ung on Ve bindungen und Subs an i ph asen
eine g öße e Rolle spiel ".
S aipsniai A ikel 277
Explo ing Scaled AIC wi hin English Closed Compounds
is sensibel ü die S ichp obeng öße. c, eine ko igie e Ve sion on AIC, en häl die
S ichp obeng öße du ch die Fo mel 2k (k + 1)/(n k 1). Es ich e sich jedoch speziell an kleine
S ichp obeng ößen und wi d nich ü Modelle emp ohlen, die au g oßen
S ichp obeng ößen wie Gagné e al. (2019) basie en.
Insbesonde e Bu nham & Ande son (2002: 80[…]85, 334[…]335) lie e n eine um assende
Diskussion übe die Auswi kungen ungleiche S ichp obeng ößen au den Modell e gleich.
Sie a gumen ie en, dass die Ve wendung on In o ma ionsk i e ien zum Ve gleich on
Modellen mi un e schiedlichen S ichp obeng ößen zu i e üh enden E gebnissen üh en
kann. Ähnlich wie in eine Online-Diskussion on S e unko im Jah 2016 (siehe Re e enz nach
de Bibliog aphie) we den alle In o ma ionsk i e ien au de Wah scheinlichkei s unk ion
basie en, die wiede um on de S ichp obeng öße abhäng .
3. Vo he ige Un e suchungen
In Cha i onidis (2022) wu den die AIC-We e ü 44 mul iple Reg essionsmodelle mi e schiedenen Kombina ionen
on Emo ions a iablen (Valenz, E egung und Konk e hei ü (a) Wö e und (b) Wo kon ex e) nach
S ichp obeng öße (N) ge eil , um Scaled (AIC/N) -We e zu e zielen.
7
Eine de Lösungen, die Bu nham und Ande son (2002) o schlagen, bezieh sich au die T ans o ma ion de
AIC-We e in "Akaike-Gewich e", die als "die ela i e Wah scheinlichkei des Modells angesich s de Da en"
de inie we den (Bu nham, Ande son 2002: xiii; siehe auch Wagenmake s, Fa ell 2004). 8 Ve ügba un e :
h ps://s a s.s ackexchange.com/ques ions/94718/model-compa ison-wi h-aic-basedon-di e en -sample-size
[zugeg i en 16.06.2023]. De Lese kann S e unko s Aussage beg ei en, indem e un e schiedliche We e ü die
lnL-Komponen e in de Gleichung e se z , wäh end die 2k-Komponen e kons an bleib . Eine Ve inge ung des
lnL-We s üh zu einem höhe en, d.h. nied ige en AIC-We .
In de Li e a u wi d Scaled AIC auch als mean AIC bezeichne . Lau S e unko (pe sönliche Kommunika ion) is die
P axis, das Akaike In o ma ion C i e ion du ch die S ichp obeng öße zu eilen, nich neu. Beispielsweise de inie en
Has ie e al. (2009) AIC in eine nich -kanonischen Weise, indem N als Nenne in de Fo mel e wende wi d. Wäh end
diese Abweichung on de he kömmlichen AIC-Fo mel nich ohne K i ike is , bleib es ein wei e b ei e e Ansa z,
wie es du ch ih e Au nahme in das s a is ische So wa epake S a a-Be ich e bewiesen wi d.

Cha i on und Cha i onidis
278 Ac aLinguis icaLi huanicaXC
Die Ein ügung on Schlüsselp ädik o en in globale, d.h. allgemeine Modelle zeig e, dass die
BLP-Lexikalen scheidungszei en eine besse e Goodness-o -Fi als die
ELP-Lexikalen scheidungszei en e o de en. Die Fi de ELP-Modelle iel in den Be eich de
ü die ELP- und BLP-Lexikalen scheidungsmodelle beobach e en Modelle. Am
beme kenswe es en wa , dass die Kon ex konk e hei ü die zwei e Komponen e als
signi ikan e P ädik o in allen Modellen mi SUBTLEX-US-F equenz au a . In Cha i onidis
(2024) wu den alle signi ikan en Koe izien en aus den globalen Modellen mi
SUBTLEX-US-F equenz de Hyponymie-Va iable gegenübe ges ell (Gagné e al. 2020). Es wu de
es ges ell , dass Modelle, die sowohl Hyponymie als auch Kon ex konk e hei ü die zwei en
Va iablen beinhal e en, imme mi dem nied igs en Scaled-We im Ve gleich zu
e schach el en, d. h. eduzie en, IC-Modellen e bunden wa en, wobei eine diese beiden
Modelle weggelassen wu de. TABELLE 1. Die Zahl de A bei splä ze Skalie e We e ü
e schach el e Modelle, bei denen das Hyponym ("Modell 2") ode die Kon ex konk e hei ü
den zwei en Bes and eil ("Modell 3") aus olls ändigen Modellen ("Modell 1") zu Vo he sage
de lexikalischen En scheidungszei en (LD) des English Lexicon P ojec (ELP), de lexikalischen
En scheidungszei en (LD) des B i ish Lexicon P ojec (BELP) ode de Konk e hei szei en ü
den zwei en Bes and eil (ELP) ausgeschlossen we den.
Modell skalie es AIC AIC N
ELP LD
1 3.36281a-3557,85 1058 Das is eine seh wich ige F age.
2-3.30375 -4169.334 1262
3-3.34845 -3700.038 1105
BLPLD
1 3 79552a 2 903 574 765
2-3.76618 -3920.592 1041
3-3.76718 -2987.37 793
Bezeichnung des ELP
13.58686b-7396.108 2062 Das is nich ich ig.
2-3.54304 -8418.27 2376
3-3.58379 -7389.784 2062
S aipsniai A ikel 279
Explo ing Scaled AIC wi hin English Closed Compounds
SUBTLEX-US equency, ep esen a ion alence(cmp),con ex conc e eness
(c2)
ELP-Namenzei en
Modell R2 Quad a F Ve ände ung d 1 d 2 p
ELP LD
1.184a47.506 5 1052.000
2-.004 4.562 1 1052 .033
3-.010 13.175 1 1052 .000
BLP LD
1.211a40.479 5 759.000
2-.013 12.091 1 759 .001
3-.015 14.007 1 759 .000
Bezeichnung des ELP
1.288b118.711 72054.000
2-.003 8.286 1 2054 .004
3-.003 8.309 1 2054 .004
a. P ädik o en: (kons an e), Hyponymieu eil, Länge de Ve bindung,
SUBTLEX-US-F equenz, Rep äsen a ions alenz (cmp), Konk e hei des Kon ex es
(c2) b. P ädik o en: (Kons an e), Hyponymieu eil, Länge de Ve bindung,
SUBTLEX-US-F equenz, Kon ex alenz (cmp), Kon ex e egung (c1), Kon ex e egung (c2),
Kon ex konk e hei (c2) Abschließend zwei e schiedene E ek g ößenmaßnahmen, nämlich
Scaled AIC und die gleiche P ä e enz ü das bes e Modell.
R2,hie a chized hesame eg essionmodelsiden icallywhiledemons a ing
Cha i on und Cha i onidis
280 Ac a Linguis ica Li uanica XC (Li auische Sp ach e zeichnis)
4. Die gegenwä ige S udie
Die o liegende S udie basie au de ühe en Fo schung des Au o s, die in Abschni 3
p äsen ie wu de. Die Fo schungssubjek e sind 66 lexikalische En scheidungs- und
Namensmodelle ü die englischen geschlossenen (konka enie en) Ve bindungen, die on
Gagné e al. (2019) e s ell wu den. Alle Modelle en hal en die SUBTLEX-US-F equenz als
Kon oll a iable. Unse e Ziele sind zweige eil und lau en pa allel. E s ens bewe en wi die
Eigenscha en de Modelle on Gagné e al. (ibid.).
Die Fo schungs agen sind:
Is Scaled AIC sensibel ü das Modelldesign in Gagné e al. (2019)? Welche
Modellg uppen we den be o zug ?
2. Wie wi ken sich die S eue ungs a iablen Ve bindungs equenz und Ve bindungslänge au
Scaled AIC aus? 3. Wie häng die mo phologische T anspa enz mi Scaled AIC zusammen?
Unse e S udie is wie olg s uk u ie : Abschni 5 bie e einen Übe blick übe unse e
Me hoden. Abschni 6.1 lie e besch eibende S a is iken ü Scaled AIC mi Bezug au die
be ach e en Modelle. De Schwe punk lieg au den pa ame ischen und
nich pa ame ischen Eigenscha en on Modellka ego ien. Abschni 7, Abschni 6.2
un e such die Beziehung zwischen de Quelle de Reak ionszei en und den lexikalischen
Ve a bei ungsau gaben. Abschni 6.3 s ell Scaled AIC mi den S eue a iablen
" e bundene F equenz" und " e bundene Länge" in Ve bindung. In Abschni 6.4 we den die
Signi ika ionss u en de T anspa enzkoe izien en aus den Modellen on Gagné e al.
(2019) au die Scaled We e abgebilde .
5. Me hoden
Unse e allgemeine Me hode wa die e gleichende Analyse de wich igs en Pa ame e und
Me kmale de Modelle on Gagné e al. (2019) un e Ve wendung on Scaled Va iables als
abhängige Va iable. Unabhängige Va iablen um ass en un e ande em S ichp obenme kmale
(z. B. An wo zei quelle und lexikalische Ve a bei ungsau gaben), S udiendesign (z. B.
Kon oll), Signi ika ionss u e on T anspa enzkoe izien en. Die spezi ischen s a is ischen
Me hoden wa en wie olg : (a) besch eibende S a is iken bezüglich Mi elwe en und
Medianen, zusammen mi de Anwendung des Shapi o-Wilk-Tes s zu Beu eilung de zen alen
Tendenz, Va iabili ä und Ve eilung on Scaled E ec s übe e schiedene Modellka ego ien
und -g uppen (Abschni e 6.1 und 6.2), (b) Haup analysen ü die Quelle de Reak ionszei en
(ELP/BLP) und die lexikalischen Ve a bei ungsau gaben (lexikalische En scheidungsbenennung)
(AIC)
S aipsniai A ikel 281
Explo ing Scaled AIC wi hin English Closed Compounds
6. c) e schiedene ANOVA, die an de An wo zei quelle und den lexikalischen
Ve a bei ungsau gaben du chge üh we den, wobei die zusammengese z e Länge als
Ko a ia e be ücksich ig wi d (Abschni 6.3), und d) die Ve wendung de K uskal-Wallis-
o explo e di e ences among he anks o  o dinally- ecodedcoe icien s o 
und de Jonckhee e-Te ps a-Tes s ü seman ische T anspa enz (Abschni 6.4).
6. Analysen
6.1 Skalie e AIC im Ve gleich zu Modellka ego ien
Die 66 AIC-We e aus den Mul iple-Reg essionsmodellen 2 on Gagné e al. (2019) zeigen das
wi h SUBTLEX-US equency as a con ol a iable we e di ided by each
model’ssamplesize oyieldase o 66ScaledAIC alues.
Table3belowp o ides hedesc ip i es a is ics o ScaledAICandFigu e
en sp echende Boxplo , das sich au den geo dne en Sa z on We en bezieh .10 Es gab
keine Aus eiße in de S ichp obe. Die Schie e (Sk) und Ku osis (Ku) We e wa en
ole abel.11
De mi le e We ü Scaled AIC wa -3.50030. Die S anda dabweichung be ug 0,19052,
d.h. die Beobach ungen wa en ela i eng um den Mi elwe he um g uppie . Die
Mindes - und Höchs we e wa en -3.85502 und -3.15754, beziehungsweise. De Medianwe
wa -3.553, d.h. e was nied ige als de Mi elwe .12 Die mi le en 50% de Da en lagen
zwischen -3.65675 (e s es Qua il, Q1) und -3.30959 (d i es Qua il, Q3, de Qua ilbe eich).
(IQR) be ug 0,35616.
10 Die un e e ode e s e Qua illinie de Kis e (Q1) ma kie die G enze, un e de sich die un e en 25% de Da en
e s ecken. Ähnlich ma kie die obe e ode d i e Qua illinie de Kis e (Q3) die mi le e 50% de Da en ode den
bounda yabo ewhich heuppe 25%o  heda aex ends.Theshadeda eashows hebounda ies
In e qua ilbe eich (IQR), de du ch Sub ak ion on 11 be echne we den kann. 12 In Bezug au die
he i s qua ile om he hi dqua ile(Q3-Q1).Theho izon allineinside heboxshows he
mediano middle qua ile(Q2),i.e. he alue ha  allsin hemiddleo  heda ase .
SPSS-Umgebung gel en die We e zwischen -1 und +1 ü Schie e und zwischen -2 und +2 ü Ku osis im Allgemeinen
als akzep abel ü die Bewe ung eine no malen Ve eilung. Es is jedoch zu beach en, dass Schie e und Ku osis
allein keinen schlüssigen Beweis au No mali ä lie e n.
Wha _is_ he_accep able_ ange_o _skewness_and_ku osis_ o _no mal_dis ibu ion_o _da a).
Cha i on und Cha i onidis
288 Ac a Linguis ica Li huanica XC Um den Ein luss de zusammengese z en Länge und de
zusammengese z en Häu igkei au Scaled AIC zu e kennen, wu den die jeweiligen
Reg essionskoe izien en nach ih e Posi i i ä und Signi ika ionss u e in O dinalwe e
umkode , siehe Tabelle 6. Die Signi ika ionss u en wu den au O dinalskalen abgebilde , da
sie kon en ionelle Cu -o -Punk e da s ell en, die au den genauen Signi ika ionswe en
basie en. TABELLE 6. O dinal-Recoding-Diag amm ü Reg essionskoe izien en Signi ikanz
Posi i i ä O dinalwe e Besch eibung p <. -1 nega i e -3 g oße nega i e E ek p <.01
nega i -2 mäßige nega i e E ek p <.05 nega i e kleine nega i e E ek p <.05
nega i e 0 nich signi ikan e E ek p <.05 posi i e 1 kleine posi i e E ek p <.01
posi i e 2 mäßige posi i e E ek p <.05 posi i e 3 g oße posi i e E ek In den
Modellen on Gagné e al. (2019) wu de die F equenz on SUBTLEX-US imme mi nega i en
(la en- eduzie enden) Koe ek en mi einem g oßen E ek , p < Sc. <0.001. Was die
zusammengese z e Länge be i , so ha en alle signi ikan en Reg essionskoe izien en
aus den Modellen on Gagné e al. (2019) einen g oßen posi i en (la enzinduzie enden) E ek , p
<.001. Im Gegensa z zu SUBTLEX-US-Va iable zeig en sich meh e e nich signi ikan e
Koe izien en. Angesich s diese Mus e wu de eine ka ego ische Va iable mi den We en
0,5 […] ü posi i en E ek (in e e enz de zusammengese z en Länge) und 0 […] ü keinen
E ek (no in e e enz de zusammengese z en Länge) e s ell . Die zusammengese z e
Länge wu de als einzelne unabhängige Va iable in einem linea en Reg essionsmodell
au genommen. Es wu de es ges ell , dass de o he gesag e Scaled AIC-Mi elwe ü
keine S ö ung de zusammengese z en Länge 3,611 (= de Abschni ) wa . Die S ö ung de
zusammengese z en Länge üh e zu einem höhe en = un e legenen) We on -3.407 (b = 204,
p. 001).

S aipsniai A ikel 289
Explo ing Scaled AIC wi hin English Closed Compounds
Figu 6. Ve bundlänge und skalie e AIC Wi üh en ge enn e ANOVAs ü die
Reak ionszei quelle (ELP/BLP) und die Au gabenleis ung (lexikalische En scheidung/Nennung)
du ch, wobei die Ve bundlänge als Ko a ia e be ücksich ig wu de.
(a) ANOVA ü die An wo zei quelle. BLP wu de de We […]0[…] und ELP wu de de We
[…]1[…] zugewiesen. De Pea son-Ko ela ions es e gab eine s a ke Kollinea i ä zwischen
de An wo zei quelle und de zusammengese z en Länge, = 1 (N = 39). Die olgenden
Beweise un e s ü zen unse e Fes s ellung: E s ens zeig e die ELP-G uppe konsequen
signi ikan e posi i e Ko ela ionen mi de zusammengese z en Länge, was au eine g oße
Wi kung hindeu e . Zwei ens zeig e die BLP-G uppe konsequen nich signi ikan e
Ko ela ionen mi de zusammengese z en Länge.
De Pea son-Ko ela ions es e gab eine nega i e Ko ela ion zwischen Au gabe und
zusammengese z e Länge, was au einen mäßigen E ek hindeu e , = -.5, p =.001 (N = 39). 17
Es is zu beach en, dass 11 de 13 BLP-Koe izien en nega i wa en.
Cha i on und Cha i onidis
Ac a Linguis ica Li uanica XC Bei de Be ücksich igung de Au gabe als p imä e Va iable
wa die zusammengese z e Länge ein signi ikan e P ädik o de Scaled AIC, F (1, 125.30), p =
signi ican p edic o o ScaledAIC,F(1,145.030),p=.000.Simila ly,when
000. De o he gesag e Scaled AIC-Mi elwe ü die Au gabe allein un e schied sich
signi ikan on dem o he gesag en Scaled AIC-Mi elwe , wenn die zusammengese z e
Länge be ücksich ig wu de (3,584 s. 3,203). Ebenso un e schied sich de o he gesag e
Scaled AIC-Mi elwe ü die zusammengese z e Au gabe allein (3,583) signi ikan on dem
o he gesag en Scaled AIC-Mi elwe , wenn die Au gabe be ücksich ig wu de (-3.23). In
diesem Abschni wi d die Wi kung on Reg essionskoe izien en ü seman ische die d ei
mo phologischen Ebenen un e such , d. h. Ve bund, e s e Bes and eil und zwei e
Bes and eil. Das O dinal-Recoding-Diag amm is in Tabelle 6 zu inden. Die nachs ehende
6.4. ScaledAIC s. anspa encyno ms
Tabelle 7 zeig die Medianen und Be eiche de o dinal ans o mie en
anspa encyinGagnée al.(2019)modelsonScaledAIC.These eg ession
coe icien swe ecodedon h eeo dinalscales,eachco esponding ooneo 
T anspa enzkoe izien en ü alle d ei mo phologischen Ebenen. Die Medianen lie e n
nü zliche In o ma ionen übe die zen ale Tendenz und Dispe sion o dinale We e und
können bei Analysen au de G undlage on o dinalen Va iablen hel en. TABELLE 7.
O dinal ans o mie e T anspa enzkoe izien en: Medianen und Be eiche
Median Minimum Maximum
Zusammense zung -3-3-1
E s e Bes and eil 2-3 3
Zwei e Bes and eil 0 -2 3
N = 18 Jah e
Wie zu sehen is , wa de Median ü die Ve bindung -3, de Median ü die e s e Komponen e
wa 2 und de Median ü die zwei e Komponen e wa 0. Diese E gebnisse deu en da au hin,
dass in den on Gagné e al. Jay gemelde en höhe en T anspa enzbewe ungen ü die zwei e
Komponen e eine inhä en e Vo u eilung bleib , die dazu üh , dass die Gesam anspa enz
de Ve bindung s a k on de T anspa enz de e s en Komponen e abhängig is . In diesem
Kon ex deu e die la enz e ze ückende T anspa enz ü die e s e Komponen e au einen
übe mäßigen posi i en E ek ( kü ze e Reak ionszei en) und eine übe mäßige T anspa enz
S aipsniai A ikel 291
Explo ing Scaled AIC wi hin English Closed Compounds
ü die zwei e Komponen e au . In Bezug au die nach olgende Analyse wi d pos ulie , dass
Modelle mi höhe en (= un e legenen) Scaled-We en signi ikan e, sys ema isch abgelei e e
Koe izien en haben können, d. h. Koe izien en, die nu ü den LADEC-Da ensa z ele an
sind. In diesem Zusammenhang deu e unse e Ve mu ung da au hin, dass sich in de Ve bindung
zwischen T anspa enz und Scaled-AIC ein kon as ie ende T end e geben könn e, e glichen
mi de Indika ion, die die Mediane in Tabelle 7 lie e n. Insbesonde e können nied ige e (besse )
skalie e AIC-We e mi (a) posi i en Koe izien en (länge en Reak ionszei en) ü die gesam e
heinhe en biaso  hesecondcons i uen .18
Ve bindung, (b) nega i en Koe izien en (kü ze en Reak ionszei en) ü den e s en Bes and eil
und (c) posi i en ode nega i en Koe izien en (länge en ode kü ze en Reak ionszei en) ü
den zwei en Bes and eil in Ve bindung geb ach we den.
Um die Fo schungs age zu bean wo en, we den zwei nich -pa ame ische Maßnahmen angewende , d.h. de
K uskal-Wallis-Tes und de Jonckhee e-Te ps a-Tes . De K uskal-Wallis-Tes , auch als "H-Tes " bekann , is
ein nich -pa ame ische Tes , de au 18 basie . In Cha i onidis (2024) wi d a gumen ie , dass sowohl
Hyponymie als auch Konk e hei des Kon ex es ü den zwei en Bes and eil bedeu ende seman ische
P ädik o en bei de lexikalischen En scheidung und Namense zung sind.
Cha i on und Cha i onidis
292 Ac a Linguis ica Li uanica XC die Chi-Quad a -Ve eilung. Es e o de , dass die abhängige
Va iable o dinal ode kon inuie lich is . Diese Tes soll bes immen, ob es signi ikan e
Un e schiede zwischen den Medianen on zwei ode meh G uppen gib und wi d als
Al e na i e zu einsei igen ANOVA e wende . Was das Ve ah en be i , wu den die
We e de kon inuie lichen abhängigen Va iablen, d.h. de skalie en AIC, on nied igs nach
höchs geo dne und den Punk en wu den Ränge zugewiesen. Die esul ie en Ränge wu den
zu ück in die G uppen de Signi ikanzs u e (die unabhängige Va iablen) eingegeben und die
Ränge ü jede G uppe summie e .
amongo he s,squa ing hesumo  anks o eachg oupand hendi iding his
Tabelle 8. Zusammense zung
Signi icancele els N Sumo Ranks
Skalie e 1 ge inge
AIC (Ausschluss de Kommission)
nega i e Wi kung 1 2
2 mäßige nega i e Wi kung 5 46
3 g oße nega i e Wi kung 12 123
Insgesam 18
TABLE9.Fi s cons i uen
Signi icancele els N Sumo Ranks
Scaled
AIC (Ausschluss de Kommission)
1–la geposi i ee ec 6 59
2 mäßige posi i e E ek 4 34
3 ge inge posi i e E ek 1 3
4 keine Wi kung 1 2
5 ge inge nega i e Wi kung 1 10
mäßige nega i e Wi kung 1 11
7 g oße nega i e Wi kung 452
Insgesam 18
19 Fü die üb igen Be echnungen siehe Field (2009: 561[…]562). 20 In allen d ei Tabellen be äg die Gesam summe de Ränge
unge äh 171. Sie en sp ich de Summe de Ganzzahlen on 1 bis 18, siehe S ichp obeng öße (N).
S aipsniai A ikel 293
Explo ing Scaled AIC wi hin English Closed Compounds
Tabelle 10. Zwei e Bes and eil
Signi icancele els N Sumo Ranks
Scaled
AIC (Ausschluss de Kommission)
1–la geposi i ee ec 6 59
2 ge inge posi i e E ek 1 14
3 keine Wi kung 8 59
4 ge inge nega i e Wi kung 1 18
5–mode a enega i ee ec 221
Insgesam 18
Be o wi uns mi den E gebnissen des K uskal-Wallis-Tes s be assen, is es wich ig zu
beach en, dass diese Tes keine In o ma ionen übe die spezi ischen Un e schiede zwischen
den einzelnen G uppen lie e . Um dieses P oblem zu lösen, wu de zusä zlich de
Jonckhee e-Te ps a-Tes e wende . Diese Tes lie e e In o ma ionen da übe , ob die
Mediane de G uppen in de Reihen olge de Codie ungs a iablen, insbesonde e on eine g oßen
posi i en Wi kung zu eine g oßen nega i en Wi kung, s iegen ode sanken. (a) Die skalie e AIC
ü die Ve bindung wu de du ch den K uskal-Wallis-Tes nich signi ikan beein luss (H (2) =
2,226, p > 0,05). Ein T end au s eigende Medianen wu de ge unden, de unse e
Übe passungshypo hese bes ä ig e (siehe den nega i en Median ü die Ve bindung in Tabelle 7).
1.064, S. 05). Die Kommission ha es ges ell , dass die in de Ve o dnung (EG) N .
(b) Die ü den e s en Bes and eil skalie e (6) AIC wu de du ch den K uskal-Wallis-Tes (H
= 5,427, p > 0,5) nich signi ikan on de Signi ikanz beein luss . Ein T end au s eigende
Medianen wu de es ges ell , de unse e Übe passungshypo hese ablehn e, siehe den
posi i en Median ü den e s en Bes and eil in Tabelle 7. Diese T end wa jedoch nach
dem Jonckhee e-Te ps a-Tes s a is isch nich signi ikan (JT = 70, z = 0,549, p > 0,05). (c)
Die skalie e AIC ü den zwei en Bes and eil wu de du ch das Signi ikanzni eau nich
signi ikan beein luss , wie du ch den K uskal-Wallis-Tes bes imm wu de (H (4) = 4,607, p >
0,05).

Cha i on und Cha i onidis
294 Ac aLinguis icaLi huanicaXC
Insbesonde e wa die Z-S a is ik des Jonckhee e-Te ps a-Tes s im Wesen lichen Null, in
Übe eins immung mi dem Nullmedian ü den zwei en Bes and eil in Tabelle 7 (JT = 54, z =
0,041, p > 0,05). Zusammen assend läss sich da aus schließen, dass die Signi ika ionss u e
de T anspa enzkoe izien en in den Modellen on Gagné e al. (2019) mi
SUBTLEX-US-F equenz die G öße on Scaled nich beein luss . Diese Be und un e s ü z
indi ek die Quali ä de Modelle on Gagné e al. (2019) mi T anspa enzp ädik o en, was
insbesonde e da au hindeu e , dass die Übe passungshypo hese ü diese Modelle nich
hal ba is .
die AIC-We e.
Um die Kla hei und Volls ändigkei de Da s ellung unse e Fo schungse gebnisse zu
gewäh leis en, haben wi einen speziellen Abschni eingebau , de sich au die
Zusammen assung de wich igs en E gebnisse unse e S udie konzen ie .
7. Schlüssel unde
In Tabelle 11 we den eine um assende Analyse de Modellleis ung und de ele an en
Va iablen im Zusammenhang mi lexikalischen En scheidungs- und Namensau gaben au de
G undlage de E gebnisse on Gagné e al. Tabelle o ges ell . Jede Abschni de Tabelle
e ie spezi ische Themen und zeig , welche Modelle am e ek i s en sind. Die ANOVA-
und die K uskal-Wallis-Jonckhee e-Te ps a-Tes s (Abschni e 6.3 und 6.4) wu den
angewende , nachdem den Reg essionskoe izien en die We e on Gagné e al. (2019)
zugewiesen wu den. TABELLE 11. Skalie e AIC inne halb englische geschlossene
Ve bindungen: um assende Analyse de Modellleis ung bei lexikalischen En scheidungs- und
Namensau gaben (Gagné e al.
2019)
Subjec s S a is ics E alua ion Sec ion
Modellka ego ien
No mali ä sp ü u-
Besch eibungen ELP
ngen BLP lexikalische En scheidung
Bezeichnung des ELP
lexikalische En scheidung NPAR/~
PAR[…] 6.1
PAR[…]
Reak ionszei
En scheidung ~
Lexikalische
ask
Haup wi kungen
Quelle BLP
Ve a bei u-
ELP lexikalische
lexikalische En scheidung
ng de ELP-Bezeichnung […]6.2
S aipsniai A ikel 295
Explo ing Scaled AIC wi hin English Closed Compounds
Subjec s S a is ics E alua ion Sec ion
Kon oll a iablen ANOVA
Zusammense zungs equenz
Ve bundlänge
✓
~
6.3
Seman ik
NOF/ns
K uskal-Wall-
T anspa enz
Te ps -
is E s e
Jonckhee e--
a-Ve bin-
Bes and eil
Zwei e
dung NOF/ns
Bes and eil NOF/ns 6.4
PAR: pa ame ische Da en | NPAR: nich pa ame ische Da en | : besse e
Modelle (nied ige e AIC) ~: schlech e e Modelle (höhe e AIC) | NOF/ns: keine
Übe anpassung/nich signi ikan e P ü ung
8. E ö e ung
Die o liegende Analyse üh e zusä zliche Eigenscha en des Scaled-AIC-Messe s ein.
Wäh end gül ige Bedenken bezüglich des Ve gleichs on Modellen, die au e schiedene
S ichp obeng ößen mi bes imm en Kon ex en angepass sind, e hoben wu den, kann
Scaled-AIC in de Ta ein we olles We kzeug ü die Demons a ion on Modell i und die
Hie a chisie ung on Reg essionsmodellen sein.
in o ma ionc i e ia(seesec ion2), he indingso  hiss udysugges  ha in
Die Ve eilungen de Scaled-AIC-We e, zusammen mi Kombina ionen e schiedene Quellen
add ess he esea chques ionsse upinsec ion4.
on Reak ionszei en und Ve a bei ungsau gaben, deu en da au hin, dass Scaled-AIC
e ek i das Vo handensein ode Fehlen gu de inie e zug unde liegende Fak o en im
expe imen ellen Design und de s a is ischen Modellie ung iden i izie . 2. Die
zusammengese z e F equenz wa auße gewöhnlich ein nega i e P ädik o ü die
skalie e AIC, was imme au einen g oßen E ek hindeu e .
Cha i on und Cha i onidis
296 Ac a Linguis ica Li huanica XC signi ikan e posi i e Ko ela ionen mi de
zusammengese z en Länge, die höhe e (= nied ige e) skalie e AIC-We e o he sagen.
BLP-Lexikalische En scheidung zeig e konsequen unbedeu ende Ko ela ionen mi de
zusammengese z en Länge. Sowohl die lexikalische En scheidung als auch die
zusammengese z e Länge o he sag en un e geo dne e Modelle in de
Ko a ia enanpassung. 3. Die Posi i i ä und die Signi ikanz de
T anspa enzkoe izien en in den Modellen on Gagné e al. (2019) beein luss en die G öße
des Scaled AIC nich .
Du ch Bezugnahme au spezi ische Abschni e de Analysen können die p imä en E gebnisse
diese S udie wie olg zusammenge ass we den: In Abschni 6.1 konzen ie e sich unse e
Analyse au den Ve gleich zwischen Scaled-We en in e schiedenen Modellka ego ien. Selbs
nach dem Ve such de T ans o ma ionen "na ü liche Loga i hmus" und "Quad a wu zel" au
den absolu en We en en sp ach die gesam e Scaled-P obe eine no malen Ve eilung nich .
Ebenso zeig en die AIC ELP lexikalischen En scheidungsmodelle eine nich -pa ame ische
Ve eilung ih e Scaled-AIC-We e. In Abschni 6.2 e lage e sich unse Fokus au die
Un e suchung de Beziehung zwischen Scaled AIC und (a) den Quellen de Reak ionszei en und (b)
de Au gabenleis ung. In e essan e weise übe lapp en sich die Be eiche de Scaled AIC-We e
ü die ELP- und BLP-Lexikaldecisionsmodelle nich , was ih e Un e scheidung bedeu e . Die
Tes e gebnisse zeig en signi ikan e Haup e ek e sowohl de Reak ionszei quelle als auch de
Au gabenleis ung au Scaled AIC.
In Abschni 6.3 e o sch en wi die Beziehung zwischen Scaled AIC und den
Kon oll a iablen e bundene F equenz und e bundene Länge. Die Ve bundene F equenz
wu de aus de Analyse ausgeschlossen, weil sie pe ek kollinea mi Scaled wa . Au de
ande en Sei e wu de ein Rückgang de Scaled-We e beobach e , als die
zusammengese z e Länge zu einem ele an en Fak o inne halb de Modelle wu de.
Concomi an ly,compoundleng hwasmos  ele an  o  henaming ask.
In Abschni 6.4 wu de unse Fokus au die Beziehung zwischen Scaled AIC und dem
andseman ic anspa ency.The esea chques ionwaswhe he  heposi i i y
Signi ikanzni eau de T anspa enzkoe izien en in den Modellen on Gagné e al. (2019) geleg .
Das Haup ziel unse e Me hode wa es, po enzielle Übe passungse ek e zu e kennen. Wi
pos ulie en, dass Modelle mi nied ige en Scaled-We en signi ikan e Koe izien en
besi zen könn en, die die zusammengese z e Ebene […] in Übe eins immung mi unse e
S aipsniai A ikel 297
Explo ing Scaled AIC wi hin English Closed Compounds
acco ding o heLADECda ase alone.Whileweobse eda endo inc easing
(=in e io )ScaledAIC alues o aclus e o signi ican nega i ecoe icien sa 
Übe passungshypo hese […] de Jonckhee e-AIC-T end-Tes zeig e, dass diese T end keine
s a is ische Signi ikanz e ziel e. Abschließend ha die E o schung e schiedene
Pa ame e mi Scaled AIC als abhängige Va iable die e schiedenen Möglichkei en au gezeig ,
wie Modellka ego ien, An wo zei quelle, Ve a bei ungsau gaben, S eue a iablen und
seman ische T anspa enz die Goodness-o -Fi on Modellen beein lussen.
REFERENCES
Akaike Hi o ugu 1973:In o ma ionTheo yandanEx ensiono  heMaximum
Likelihood P inciple. – Second In e na ional Symposium on In o ma ion Theo y, eds.
B.F.Csaki,B.N.Pe o ,Budapes :AcademiaiKiado,267–281.
Ald ichJohnR.1997:R.A.Fishe and heMakingo MaximumLikelihood1912–
1922.–S a is ical Science12(3),162–176.
Baayen Ha ald R., Piepenb ock Richa d, Gulike s Leon 1995: The
CELEX Lexical Da abase(Da ase ,Release2,CD-ROM),Linguis icDa aConso ium,
Uni e si yo Pennsyl ania.A ailablea :h ps://ca alog.ldc.upenn.edu.
Balo a Da id A., Yap Mel in J., Co ese Michael J., Hu chison
Kei hI.,Kessle B e ,Lo isBjo n,NeelyJamesH.,NelsonDouglas
L.,SimpsonG egB.,T eimanRebecca2007:TheEnglishLexiconP ojec .–
Beha io Resea ch Me hods39,445–459.
B ysbae  Ma c, New Bo is 2009: Mo ing Beyond Kuče a and F ancis: A
C i icalE alua iono Cu en Wo dF equencyNo msand heIn oduc iono aNew
andImp o edWo dF equencyMeasu e o Ame icanEnglish.–Beha io Resea ch
Me hods41,977–990.DOI:doi.o g/10.3758/BRM.41.4.977.
Bu nhamKenne hP.,Ande sonDa idR.2002:Model Selec ion and Mul imodal
In e ence: A P ac ical In o ma ion-Theo e ic App oach, 2ndedi ion,NewYo k:Sp inge .
DOI:dx.doi.o g/10.1007/b97636.
Cha i onidis Cha i on 2022:Con ex Conc e eness o  heSecondCons i uen 
SlowsDownCompound-Wo dP ocessing.–Lexis20.DOI:doi.o g/10.4000/lexis.6769.