Kai Kugler

• Diese Arbeit untersucht, ob und unter welchen Bedingungen diachroner semantischer Wandel als Signal in den kontextualisierten Tokenrepräsentationen vortrainierter Sprachmodelle nachweisbar ist. Ausgangspunkt ist die theoretische Konvergenz der Distributionalhypothese mit der Architektur moderner Transformer-Modelle: da kontextualisierte Embeddings distributional definierte Bedeutung operationalisieren, könnten sie latent kodieren, was die Bedeutungsgeschichte eines Wortes hinterlässt. Drei Beiträge werden geleistet: Erstens wird der AmDi-Datensatz vorgestellt, ein sense-annotiertes, multi-temporales Korpus polysemer deutschen Nomen mit 22.230 annotierten Instanzen, verankert im GermaNet-Inventar. Zweitens werden zwei Trainingsstrategien zur Verstärkung des temporalen Signals evaluiert: Multitask-Instruction-Tuning scheitert daran, diachrones Signal uuverlässig von überlagernden Signalen zu trennen; kontrastives Lernen mit temporal gewichteter Verlustfunktion gelingt dies auf Lemmaebene und erzielt messbar höhere Signal-Rausch-Verhältnisse. Drittens wird ein Messrahmen entwickelt, der semantischen Drift nicht als skalare Distanz zwischen mittleren Embeddings erfasst, sondern als Verteilung dimensionaler Veränderungen im Einbettungsraum. Diese Verteilungsmetriken korrelieren zuverlässiger mit goldstandard-basierten Bedeutungswandelurteilen als Kosinus-basierte Baseline-Maße. Die Arbeit diskutiert zudem die epistemologischen Grenzen des Ansatzes: Muster in Modellrepräsentationen erlauben keine direkten Rückschlüsse auf natürlichen Sprachwandel; der Erkenntnisgewinn liegt vielmehr darin, zu verstehen, welche sprachlichen Signale Modelle enkodieren und wie diese nutzbar gemacht werden können.