Typen des individuellen Sprachwandels nach wesentlichen Lebensereignissen

2.1 Die österreichische Situation

Die Sprachverwendung in Österreich ist durch eine ausgeprägte Dialekt-/Standardvariation gekennzeichnet. Basisdialektal verankert sind dabei vor allem Varietäten des Bairischen sowie – im äußersten Westen – auch des Alemannischen (Lenz 2019). Anders als in vielen Regionen Deutschlands werden diese dialektalen oder dialektnahen Varietäten bis heute im österreichischen Alltag häufig gebraucht; so dürfte der überwiegende Teil der Österreicher:innen zumindest gelegentlich Dialekt oder eine dialektnahe Varietät verwenden. Anders als zum Beispiel in der Schweiz spielt in Österreich aber auch die Standardsprache in der alltäglich gesprochenen Sprache eine relevante Rolle (vgl. Ender & Kaiser 2009; Lenz 2019; Steinegger 1998). Dabei handelt es sich – je nach theoretischer Ausrichtung – entweder um eine spezifisch österreichische Variante des Standards (= „Österreichisches Standarddeutsch“) (Ammon 1995) oder um mehrere regional geprägte Standardvarietäten (Elspaß & Kleiner 2019).

Dialekt und Standard bilden in den meisten Regionen Österreichs jedoch nur die Endpunkte eines komplexen diaglossischen Varietätenspektrums. Zur Modellierung dieses Spektrums existieren unterschiedliche Konzeptionen – zum Teil wird von einem vollständigen Kontinuum ohne (klare) Grenzen ausgegangen, teilweise werden aber auch weitere Varietäten (Regiolekte, Umgangssprachen) zwischen Dialekt und Standard angesetzt (vgl. z. B. Fanta-Jende 2023). Da die derzeitigen Befunde eher dafür sprechen, dass aus Sprecher:innen-Sicht nur bedingt ein Bewusstsein für dieses Varietätenspektrum vorhanden ist und stattdessen eine weitgehend dichotome Unterscheidung zwischen Dialekt und Standard getroffen wird (vgl. z. B. Ender & Kaiser 2009, 270; de Cillia 2018, 70), fokussieren wir uns in der vorliegenden Untersuchung auf die beiden Endpunkte des Kontinuums.

Welche Varietäten wann und von wem verwendet werden, wird von unterschiedlichen sozialen und situativen Faktoren gesteuert. Neben dem Alter, der regionalen Herkunft, dem Geschlecht und der Bildung erweist sich dabei insbesondere der jeweilige Formalitätsgrad und das Gegenüber als relevant. Eine standardnähere Sprachverwendung findet sich dabei v. a. in formellen Situationen und mit Nicht-Österreicher:innen (vgl. z. B. Ender & Kaiser 2009).

Die komplexe diaglossische Situation spiegelt sich auch in den aktuellen Sprachwandeltendenzen wider. Als vorherrschende Richtung des Wandels kann dabei Dialekt-zu-Standard-Advergenz gelten, die zwar zu keinem vollständigen Schwund des Dialekts, wohl aber zu einem verstärkten Dialektumbau führt (vgl. bspw. Lenz 2019; Scheuringer 1990; Scheutz 1985). Dabei werden insbesondere kleinräumige Dialektmerkmale zunehmend durch standardnähere oder großräumiger verbreitete Formen ersetzt (vgl. auch Wirtz, Pickl, Niehaus, Elspaß & Möller im Druck); zugleich steigt der Einfluss standardnäherer urbaner Varietäten auch im ruralen Raum stark an (vgl. z. B. Vergeiner et al. 2021; Vergeiner 2022). Wie Lenz (2019, 341) bemerkt, lassen sich vor allem im städtischen Bereich außerdem schon „Prozesse der soziolinguistischen Dialektaufgabe“ beobachten.

In Hinblick auf die affektiv-attitudinale Ebene stellen bisherige Studien einerseits eine hohe Dialektloyalität in Österreich fest, andererseits werden dialektale und standardsprachliche Varietäten mit unterschiedlichen indexikalischen Attributen verbunden. Während Dialekt im Zusammenhang mit Sympathie, Natürlichkeit und Humor besser abschneidet, wirken Sprecher:innen durch Standardverwendung „more polite, intelligent, educated, gentle, serious and refined, but also […] more arrogant“ (Soukup 2009, 127; vgl. auch Bellamy 2012). Zusammengefasst punktet die Standardsprache v. a. auf der Status-, der Dialekt hingegen auf der Solidaritätsdimension, was auf die typischen Verwendungssituationen der Varietäten verweist. Den Wandel von Einstellungen in Österreich untersuchen etwa Bülow et al. (i. Er.) im Rahmen einer Panel-Studie mit 12 Personen aus Ulrichsberg. Gezeigt wird, dass die Einstellungen der Sprecher:innen über die Zeit bemerkenswert stabil geblieben sind, wobei sie sich in beiden untersuchten Zeitpunkten als signifikanter Prädiktor für den tatsächlichen Sprachgebrauch erweisen (vgl. zum Schwäbischen auch Beaman 2021).

2.2 Sprachwandeltypen und lebenslange Entwicklung

In Einklang mit gebrauchsbasierten Ansätzen wird in der gegenwärtigen Soziolinguistik weitgehend anerkannt, dass sich das sprachliche Wissen eines Individuums und sein Repertoire zeitlebens verändern (können) (Bowie 2010; Bülow & Vergeiner 2021; Hazan 2017; Kwon 2018; Reubold & Harrington 2015, 2018; Riverin-Coutlée & Harrington 2022; Sankoff 2018; Sankoff & Blondeau 2007, 2013; Vergeiner et al. 2021). Darauf aufbauend wird untersucht, wie sprachliche Entwicklungsprozesse über die Lebensspanne sowohl auf individueller wie auch auf (gesamt-)gesellschaftlicher Ebene vonstattengehen und welche Faktoren eine Rolle dafür spielen.

Bei den verschiedenen Arten des Sprachwandels wird häufig zwischen (a) age-grading, (b) generational change und (c) communal change differenziert. Im Hinblick auf (a) sind Veränderungen in individuellen Sprechweisen und (sozio-)linguistischen Repertoires in Lebensabschnitten nach der Adoleszenz zu verzeichnen, wobei von age-grading nur dann gesprochen wird, wenn es keinen gesamtgesellschaftlichen Sprachwandel gibt. Bei (b) wird hingegen davon ausgegangen, dass sprachliche Unterschiede zwischen Personen aus unterschiedlichen Generationen einen gesellschaftlichen Sprachwandel widerspiegeln (vgl. etwa Bailey et al. 1991; Bowie 2005; Labov 1972). In aller Regel sind es dabei jüngere Sprecher:innen, die innovativere Varianten verwenden, wobei angenommen wird, dass diese die bei alten Sprecher:innen gebräuchlichen konservativeren Varianten ersetzen. Nur bei (c) treten gesamtgesellschaftliche und individuelle Änderungen gemeinsam auf, das heißt, individuelle Wandelprozesse gehen (mehr oder minder) gleichartig mit solchen in der Gesamtgesellschaft einher.

In der gegenwärtigen Forschung werden aber auch genauere Unterteilungen vorgenommen. Mit Blick auf individuelle sprachliche Veränderungen beschreibt etwa Sankoff (2006, 2019) verschiedene Arten von (dynamischen) Trajektorien: (a) speaker stability, d. h. unabhängig von einem gesamtgesellschaftlichen Wandel bleibt die Sprache der Sprecher:innen stabil (vgl. Sankoff 2006); (b) lifespan change, d. h. die individuellen Entwicklungsprozesse reflektieren die gesamtgesellschaftlichen Wandeltendenzen (die primär durch jüngere Sprecher:innen vorangetrieben werden) (vgl. Sankoff 2005; Wagner 2012a) und (c) retrograde change, d. h. es kommt zu Veränderungen auf der individuellen Ebene, die entgegen dem gesamtgesellschaftlichen Trend verlaufen, was mit einem Wandel weg von innovativeren Formen hin (bzw. zurück) zu konservativeren Formen einhergeht. Age-grading liegt hingegen nur dann vor, wenn individuelle Wandelprozesse vor dem Hintergrund gesamtgesellschaftlicher Stabilität vonstattengehen (Labov 1994; vgl. auch Bülow & Vergeiner 2021). Dabei beobachtet Sankoff (2006), dass speaker stability gegenüber den anderen Veränderungstypen überwiegt – eine Erkenntnis, die inzwischen an mehreren Stellen empirisch festgestellt wurde (vgl. aus der germanistischen Forschung etwa Beaman 2024; Oppermann & Siebenhaar 2023).

Die unterschiedlichen Arten des Sprachwandels – sei es auf individueller oder gesamtgesellschaftlicher Ebene – wurden bislang hauptsächlich anhand von apparent-time-Studien (Vergleiche zwischen unterschiedlichen Generationen im Querschnitt), real-time-trend-Studien (Daten von verschiedenen Individuen zu verschiedenen Zeitpunkten) und seltener real-time-panel-Studien (Daten von denselben Individuen zu verschiedenen Zeitpunkten) analysiert (vgl. etwa Beaman 2021, 2024; Bülow et al. i. Er.; Bülow & Vergeiner 2021; Sankoff 2018, 2019; Vergeiner et al. 2021). Letztere erbringen den Befund, dass Wandelprozesse über die Lebensspanne – auch nach der Adoleszenz – stattfinden können, Sankoff (2019, 219) unterstreicht allerdings, dass es genauere Erkenntnisse dazu braucht, „how, when, why, and to what extent“ sich Sprachvariation und -wandel über die Lebensspanne manifestieren (vgl. auch MacKenzie 2017).

In der bisherigen Forschung zum individuellen Sprachwandel wurden bislang v. a. die Zeitpunkte (when) und Ursachen (why) des individuellen Wandels thematisiert, wobei v. a. die Einflüsse berufsbezogener Faktoren beleuchtet wurden. Herausgearbeitet wurde etwa die Relevanz des Eintritts ins Berufsleben und die damit verbundenen sozialen Zwänge zum Standardgebrauch (Sankoff & Laberge 1978; Wagner 2012), außerdem der Einfluss der Pensionierung und der damit assoziierte Wegfall von sozialem Druck zur Standardverwendung (Buchstaller 2006; Chambers & Trudgill 1998; Cheshire 2008; Downes 1998; Mechler & Buchstaller 2019; Vergeiner et al. 2021). In welchem Ausmaß sich diese und weitere Lebensereignisse auf das sprachliche Repertoire eines Individuums auswirken, ist allerdings nur schlecht beforscht. Während apparent-time-Studien darüber aufgrund des Querschnitts durch verschiedene Generationen überhaupt keinen Aufschluss geben, ist die Zahl der Erhebungszeitpunkte der meisten real-time-panel-Studien zu gering, um den genaueren Effekt der Lebensereignisse auf das (sozio-)linguistische Repertoire in Echtzeit (z. B. durch Messungen unmittelbar vor, während und nach dem Ereignis) zu erfassen (vgl. etwa Mechler et al. 2022). Um also tatsächlich zu ergründen, „how, when, why, and to what extent“ (Sankoff 2019, 219) Sprachvariation und -wandel vonstattengehen, braucht es letztlich kleinräumige, temporal begrenzte Messungs- und Untersuchungsdesigns, welche die konkreten Gründe für individuellen Sprachwandel (über die Lebensspanne) operationalisieren und eine anschließende empirische Überprüfung ermöglichen.

Zu diesem Zweck kommt es seit einigen Jahren vermehrt zu Studien über ‚notable individuals‘ (Sankoff 2018) wie beispielsweise Politiker:innen, Fernsehsprecher:innen, Schauspieler:innen etc., für die ausreichend Daten über ihre Lebensspanne verfügbar sind. Diese Daten erlauben es, den individuellen Sprachwandel mit soziolinguistischen Faktoren wie der Änderungen des Wohnorts, in der beruflichen Laufbahn, im Grad der Mobilität etc. in Verbindung zu setzen, wodurch mögliche Auslöser für Sprachwandeltendenzen und deren temporale Spezifizität untersucht werden können (vgl. etwa Harrington, Palethorpe & Watson 2000; Harrington & Stevens 2014; Reubold & Harrington 2015; Reubold & Harrington 2018; Riverin-Coutlée & Harrington 2022; Shapp et al. 2014; Trinh et al. 2024).

Allerdings weisen solche Studien zu Einzelsprecher:innen bestimmte Schwächen auf: So berücksichtigen sie lediglich eine kleine Zahl an Sprecher:innen. Diese repräsentieren zudem häufig „extreme case[s]“ (Riverin-Coutlée & Harrington 2022, 49), d. h. es handelt sich um Untersuchungen von meist professionellen Sprecher:innen (z. B. Politiker:innen), deren „public language may be more self-consciously fashioned“ (Sankoff 2018, 308), weshalb sich die identifizierten Effekte wohl kaum bzw. nur in geringem Ausmaß auf den Rest der Sprachgemeinschaft übertragen lassen. Riverin-Coutlée und Harrington (2022) plädieren aus diesem Grund dafür, Untersuchungsdesigns zu entwickeln und heranzuziehen, die den Einfluss von externen Faktoren (z. B. Berufswechsel) auf Sprachwandeltendenzen einer größeren Anzahl an Sprecher:innen modellieren können.

Wirtz und Pickl (2025) kommen diesem Aufruf nach, indem sie anhand von Selbstauskünften den interindividuellen Effekt von 16 verschiedenen MLEs – z. B. Wechsel des Wohnorts oder der Arbeitsstelle, Eintritt ins Berufsleben, Übertritt in die Pension etc. – auf das Ausmaß des individuellen Sprachwandels ermitteln. Berücksichtigt wird dabei der produktive Bereich (kontextübergreifender Standard- und Dialektgebrauch) ebenso wie der affektiv-attitudinale Bereich (Akkommodationstendenzen, Dialektidentität, Einstellungen gegenüber Standarddeutsch). Die Studie liefert erste Ergebnisse dazu, welche MLEs in welchem Ausmaß Änderungen im individuellen sprachlichen Wissen und Repertoire auslösen, und auch wann diese Effekte im Lebenslauf eintreten. Unbeantwortet bleibt jedoch in solchen interindividuellen Analysen, für wen MLEs Sprachwandel in welche Richtung (z. B. stärkere Orientierung zum Dialekt oder Standard) herbeiführen. Dies ist von besonderem theoretischen wie empirischen Interesse, denn, wie psychologische Untersuchungen zeigen (vgl. etwa Kritzler et al. 2023; Rakhshani et al. 2022; Schwaba et al. 2023), erlebt nicht jedes Individuum dasselbe MLE gleichermaßen. So kommen etwa Bühler et al. (2023, 19) zur Schlussfolgerung: „people do not change in the same ways […] or that people may react differently to the same life event“.

Zur Schließung dieser Forschungslücke wenden Wirtz, Pickl und Pfenninger (2025), Wirtz (im Druck) und Wirtz und Vergeiner (2025) sowohl quantitative als auch qualitative, personenzentrierte Ansätze an, um festzustellen, welche individuellen Unterschiede mit Differenzen in MLE-bezogenen Wandeltendenzen zusammenhängen. Die quantitativen Analysen weisen dabei keine MLE-übergreifenden Muster nach; welche Prädiktoren Unterschiede in den Sprachwandeltendenzen vorhersagen, erweist sich vielmehr als MLE-spezifisch. Die qualitativen Analysen zeigen hingegen MLE-übergreifende Tendenzen dazu, wer sein soziolinguistisches Repertoire wie als Folge von MLEs adaptiert. So können MLEs zu verstärktem Kontakt mit bestimmten Varietäten beitragen oder zur Konfrontation mit gewissen soziolinguistischen Evaluationen oder Einflüssen des linguistic marketplace (vgl. Sankoff & Laberge 1978), wobei diese Faktoren über MLEs hinweg mit unterschiedlichen Sprachwandeltendenzen zusammenhängen. Insgesamt geht aber sowohl aus den quantitativen als auch den qualitativen Analysen hervor, dass MLEs auf individuell unterschiedliche Weise, in individuell unterschiedlichem Maße und aus individuell unterschiedlichen Gründen das soziolinguistische Repertoire beeinflussen. Es lässt sich also festhalten, dass auch ein und dasselbe MLE unterschiedliche Wandeltendenzen bei unterschiedlichen Personen herbeiführen kann.

Bislang unberücksichtigt bleibt in diesen Analysen die Frage, ob, unabhängig von der Art des erlebten MLE, interindividuelle Sprachwandeltendenzen festgestellt werden können. Damit ließe sich ergründen, welche Art(en) von Sprachwandel MLEs auslösen (können), wie ähnlich oder unterschiedlich Personen auf MLEs soziolinguistisch reagieren und auch, welche Faktoren (etwa Alter beim MLE, Geschlecht, Bildung) mit unterschiedlichen Sprachwandeltypen in Verbindung stehen. In diesem Zusammenhang kann ebenfalls die Frage diskutiert werden, inwiefern sich einzelne Sprachwandeltypen in Beziehung zu bisher thematisierten Sprachwandelarten vor allem auf der individuellen Ebene (etwa lifespan change, retrograde change, age-grading etc.) setzen lassen.

3.1 Stichprobe

In dieser Studie wird dieselbe Stichprobe wie in Wirtz und Pickl (2025) herangezogen, sie wird jedoch unter Anwendung anderer Analyseverfahren zur Beantwortung anderer Forschungsfragen untersucht. Der Größe der analysierten Stichprobe beträgt 701 Personen, wobei alle Proband:innen laut Selbstauskunft Deutsch als Erstsprache sprechen, (großteils) in Österreich aufgewachsen sind bzw. dort sozialisiert wurden und zur Zeit der Erhebung in Österreich wohnhaft waren. Die Stichprobe wurde als convenience sample durch Crowdsourcing-Methoden zusammengestellt, weshalb die Stichprobe nicht nach soziolinguistischen Variablen stratifiziert werden konnte. Die Stichprobe ist deswegen in Bezug auf Geschlecht (männlich: 207; weiblich: 491; divers: 3), Alter (Mittelwert = 44; Standardabweichung = 16,3; Spannweite = 14–82), Alter beim MLE (Mittelwert = 34,3; Standardabweichung = 15,2; Spannweite = 6–71) und Region uneinheitlich verteilt, wobei junge Personen, Frauen und Personen aus den Bundesländern Salzburg (n = 301), Wien (n = 120) und Oberösterreich (n = 119) im Sample überrepräsentiert sind. In Hinblick auf den aktuellen Bildungs- bzw. Berufsstatus zur Zeit der Erhebung (Mehrfachnennungen waren möglich) gaben 12 Personen an, noch die Schule zu besuchen; 452 Proband:innen gaben an, berufstätig zu sein, 169 Proband:innen eine Universität / (Fach-)Hochschule / ein College (o. Ä.) zu besuchen, und 158 Personen befanden sich laut ihren Angaben bereits im Ruhestand.

3.2 Verfahren

Die Fragebogenstudie wurde online mittels Limesurvey (Limesurvey GmbH) durchgeführt. Einzelheiten zur Pilotphase des Fragebogens werden in Wirtz und Pickl (2025) erörtert. Der endgültige Fragebogen wurde Ende Oktober 2023 online gestellt, und die Datenerfassung erstreckte sich bis Anfang 2024. Im Weiteren werden sowohl der Aufbau als auch die einzelnen Items des Fragebogens detaillierter beschrieben.

3.3 Datenanalyse

Zur Ermittlung der verschiedenen Typen des selbst wahrgenommenen Sprachwandels als Folge von MLEs wird eine hierarchische Clusteranalyse durchgeführt. Dabei handelt es sich um ein multivariates exploratives Verfahren zur Identifizierung von zugrundeliegenden Mustern in den Daten (vgl. etwa Staples & Biber 2015). Clusteranalysen ermöglichen es also, Gruppen von ähnlichen ‚Objekten‘ in den Daten zu bestimmen. Im Folgenden werden die fünf Messungen zum wahrgenommenen individuellen Sprachwandel als Datengrundlage für die Clusteranalyse herangezogen. Ziel der Analyse ist es, zu bestimmen, in welche Gruppen sich die Proband:innen nach ihrem (selbsteingeschätzten) Sprachwandel sinnvollerweise einteilen lassen.

Grundlage für die Clusteranalyse ist die Aggregation der fünf Messungen zum wahrgenommenen individuellen Sprachwandel. Dazu wird eine Distanzmatrix zwischen den einzelnen Objekten – in diesem Falle den einzelnen Proband:innen – auf Basis der fünf Messungen errechnet (vgl. auch Levshina 2015). Die Distanzmatrix gibt an, wie (un)ähnlich sich die einzelnen Personen in Hinblick auf die fünf Sprachwandelmessungen sind. Zur Berechnung der Distanzmatrix wird nachfolgend die Manhattan-Distanz genutzt. Diese errechnet die paarweisen Distanzen zwischen den Personen als Summe der absoluten Differenzen zwischen den fünf Messungen. Die Manhattan-Distanz wurde herangezogen, weil sie im Vergleich zu anderen Distanzmaßen robustere und von Ausreißern weniger beeinflusste Ergebnisse liefert (Kassambara 2017, 29). Die Clusterung selbst beruht nachfolgend auf dem Ward-Algorithmus, der auf eine Minimierung der Cluster-internen Varianz abzielt.^[2] Die Clusterlösung wird auf Basis der durchschnittlichen Silhouettenbreite bestimmt, deren Werte zwischen 0 und 1 liegen können. Dabei gilt: Je näher der Wert bei 0 liegt, desto weniger Clusterstruktur ist in den Daten vorhanden; je näher der Wert 1 kommt, desto besser sind die einzelnen Cluster voneinander getrennt (Levshina 2015).

Nach der Clusteranalyse selbst werden die Eigenschaften der errechneten Gruppierung – sprich: Clusterung – genauer beleuchtet. Dabei soll unter anderem auch ermittelt werden, welche personenbezogenen demographischen Merkmale (Alter beim MLE, Geschlecht und Bildungserfahrung) mit den Clusterzuweisungen zusammenhängen beziehungsweise diese vorhersagen können. Dazu wird eine Regressionsanalyse mit der Clusterzuweisung als abhängiger Variable und den personenbezogenen demographischen Merkmalen als Prädiktoren durchgeführt. Konkret wird ein Bayes’sches multinomiales Mehrebenenmodell mit dem brms Paket (Bürkner 2017) in R (R Core Team 2020) errechnet. Näheres zum Verfahren wird an der entsprechenden Stelle im Abschnitt 4.2 erläutert.

4.1 Clusteranalyse

Mithilfe einer hierarchischen Cluster-Analyse (Ward-Methode, Manhattan-Distanz) sollen Proband:innen, die sich in ihren (wahrgenommenen) MLE-induzierten Sprachwandelmustern ähneln, zu Gruppen (Clustern) zusammengefasst werden. Die beste mittlere Silhouettenbreite ergibt sich bei einer Lösung mit zwei Clustern (mittlere Silhouettenbreite = 0,22). Dies legt nahe, dass sich die Proband:innen in Bezug auf ihre Wahrnehmungen zu den MLE-induzierten Veränderungen zunächst in zwei Großgruppen einteilen lassen. Auch eine 5-Cluster-Lösung scheint angesichts der nur unwesentlich geringeren durchschnittlichen Silhouettenbreite (= 0,20) plausibel. Abbildung 2 zeigt das Ergebnis der Clusteranalyse in Form eines Dendrogramms, wobei der graue Rahmen die Aufteilung der 2-Cluster-Lösung und der schwarze Rahmen die der 5-Cluster-Variante markiert.^[3]

Anzumerken ist die insgesamt niedrige durchschnittliche Silhouettenbreite beider Cluster-Lösungen. So sprechen Werte von unter 0,20 für keine substanzielle Clusterstruktur in den Daten (Levshina 2015, 311) – die beiden Clusterlösungen befinden sich nur knapp über bzw. genau an dieser Grenze. Dies ist angesichts der ausgeprägten Heterogenität bei den wahrgenommenen Veränderungen im soziolinguistischen Repertoire allerdings nicht überraschend. Wie nachfolgend gezeigt wird, kann die Clusterung nichtsdestoweniger dabei helfen, einen Überblick über die verschiedenen Typen des wahrgenommenen Wandels zu gewinnen. Um die Sprachwandeltypen möglichst differenziert beschreiben zu können, werden wir uns dabei auf die inhaltliche Abgrenzung und Interpretation der 5-Cluster-Lösung fokussieren.

Abb. 2:

Dendrogramm der 2-Cluster-Lösung (grauer Rahmen) und 5-Cluster-Lösung (schwarzer Rahmen)

Abbildung 3 visualisiert die individuellen Wandeltendenzen in Abhängigkeit von den jeweiligen Clusterzuweisungen. Im Folgenden werden die clusterspezifischen Wandeltendenzen sowie die allgemeinen Charakteristika der Cluster beschrieben.

Cluster 1: stärkerer wahrgenommener Wandel bei affektiv-attitudinalen Faktoren, weniger Wandel im produktiven Repertoire

Cluster 1 umfasst 110 Proband:innen (ungefähr 16 % der Stichrobe), die sich vor allem dadurch auszeichnen, dass sie berichten, ihre Dialektakkommodation und Dialektidentität habe in Folge des MLEs zugenommen. Die Proband:innen im Cluster berichten hingegen bei den Einstellungen zur Standardsprache recht unterschiedliche Veränderungen, wobei der Mittelwert bei ungefähr 0 liegt, was insgesamt auf eine wahrgenommene Stabilität bei dieser attitudinalen Dimension hindeutet. Auch was die Wahrnehmungen zum Gebrauch von Dialekt und Standardsprache betrifft, scheinen die Proband:innen in Cluster 1 eher stabil zu bleiben; allenfalls berichten die Proband:innen etwas häufiger davon, in Folge des MLEs den Anteil des Dialektgebrauchs reduziert zu haben und dafür mehr Standardsprache zu gebrauchen.

In Cluster 1 befinden sich insgesamt 30 Männer, davon 17 mit einem tertiären Bildungsabschluss, und 80 Frauen, wovon 52 über einen tertiären Bildungsabschluss verfügen. Das durchschnittliche Alter beim MLE lag bei ungefähr 30 Jahren (Standardabweichung = 13,4).

Cluster 2: die Stabilen

Cluster 2 umfasst die meisten Proband:innen (n = 313), also fast die Hälfte der gesamten Stichprobe (45 %). Aus Abbildung 2 geht hervor, dass sich die Personen in diesem Cluster durch eine relativ starke Stabilität auszeichnen, und zwar sowohl in Hinblick auf den produktiven als auch den affektiv-attitudinalen Bereich. Trotz der recht großen Varianz bei den fünf Messungen gibt die Mehrheit dieser Proband:innen an, wenige bis keine Veränderungen im soziolinguistischen Repertoire als Folge der jeweiligen MLEs verzeichnet zu haben.

Dieses Cluster setzt sich aus insgesamt 86 Männern, 225 Frauen und zwei diversen Personen zusammen. Davon verfügen 60 Männer, 153 Frauen und beide diverse Personen über einen tertiären Bildungsabschluss. Das durchschnittliche Alter beim MLE liegt mit 36 Jahren (Standardabweichung = 15,1) etwas höher als bei Cluster 1.

Cluster 3: die Standardaffinen

Die Proband:innen in Cluster 3 sind durch eine verstärkte Hinwendung zur Standardsprache charakterisiert; Cluster 3 bildet dabei mit 115 Proband:innen (16 %) das zweitgrößte Cluster. Nahezu alle Proband:innen in diesem Cluster geben an, weniger Dialekt als Folge des jeweiligen MLEs zu verwenden und dafür stärker von der Standardsprache Gebrauch zu machen. Zudem gibt die Mehrheit der Personen im Cluster an, nach dem jeweiligen MLE mehr zu akkommodieren und positivere Einstellungen gegenüber der Standardsprache entwickelt zu haben. Die Varianz in Hinblick auf die Dialektidentität ist indes stark ausgeprägt, wobei der Mittelwert auf Stabilität bei dieser Wandeldomäne hindeutet.

Im Cluster 3 befinden sich 89 Frauen, 25 Männer und eine diverse Person. Dabei zeigt sich, dass die Personen in diesem Cluster durch eine hohe Bildung charakterisiert sind – so verfügen 68 Frauen und 21 Männer im Cluster über einen tertiären Bildungsabschluss. Im Durchschnitt waren die Proband:innen beim Erleben des jeweiligen MLEs 29 Jahre alt (Standardabweichung = 13,1).

Cluster 4: wahrgenommener Wandel im produktiven Repertoire, Stabilität bei affektiv-attitudinalen Faktoren

Die Proband:innen in Cluster 4 zeichnen sich durch einen ausgeprägten Wandel im produktiven Repertoire aus, wobei vor allem ein verstärkter Dialektgebrauch und dafür ein verminderter Standardgebrauch berichtet wird. Cluster 4 bildet mit 94 Proband:innen (13 %) das zweitkleinste Cluster der Cluster-Lösung. Bemerkenswerterweise erweisen sich die Proband:innen in diesem Cluster im Schnitt – trotz der starken wahrgenommenen Wandeltendenzen beim Standard- und Dialektgebrauch – in Bezug auf den affektiv-attitudinalen Bereich als eher stabil. Allerdings ist dabei auch eine große Varianz zwischen den Personen zu verzeichnen, insofern einige Proband:innen eine MLE-induzierte Abnahme bei den jeweiligen affektiv-attitudinalen Faktoren berichten, andere hingegen eine Zunahme.

Hinsichtlich der sozialen Zusammensetzung besteht Cluster 4 aus 32 Männern und 62 Frauen, wobei 21 Männer und 46 Frauen einen tertiären Bildungsabschluss vorweisen können. Das Alter beim MLE beträgt – ähnlich wie bei Clusters 2 – im Schnitt 37,5 Jahre (Standardabweichung = 15,3).

Cluster 5: die Dialektaffinen

Cluster 5 umfasst 69 Proband:innen (10 %) und bildet somit das kleinste Cluster. Die Proband:innen im Cluster zeichnen sich dadurch aus, dass sie nach dem Erleben des jeweiligen MLEs eine stärkere Dialektorientierung berichten und zwar sowohl im produktiven wie auch im affektiv-attitudinalen Bereich. So gaben die Proband:innen an, nach dem MLE ihren Dialektgebrauch erhöht und gleichzeitig den Standardgebrauch reduziert zu haben. Ein ähnliches Bild zeichnet sich auf der affektiv-attitudinalen Dimension ab: Die Mehrheit der Proband:innen gibt an, nach dem MLE eine stärkere Dialektidentität und zugleich negativere Einstellungen gegenüber der Standardsprache entwickelt zu haben. Nur in Hinblick auf die Dialektakkommodation gibt ein größerer Teil der Proband:innen kaum Veränderungen an, während andere angaben, entweder mehr oder – bei einigen wenigen Proband:innen – weniger zu akkommodieren.

Auffällig an der sozialen Zusammensetzung von Cluster 5 ist, dass Männer (n = 34) gegenüber Frauen (n = 35) vor dem Hintergrund der Zusammensetzung der Gesamtstichprobe überrepräsentiert sind. Weiters fällt auf, dass es sich dabei mehrheitlich um Männer ohne tertiären Abschluss (n = 20) handelt, während die Frauen überwiegend einen solchen aufweisen (n = 23). Das durchschnittliche Alter beim MLE lag – ähnlich wie bei Cluster 2 und 4 – bei 37 Jahren (Standardabweichung = 18,5).

Abb. 3:

Unterschiede beim wahrgenommenen individuellen Sprachwandel bei den fünf Clustern

Abb. 4:

Clusterzuweisungen aufgeteilt nach MLE

Ein näherer Blick auf die Zusammenhänge zwischen den MLEs und den fünf Clustern (Abbildung 4) zeigt, dass die meisten MLEs in allen fünf Clustern vorkommen. Allerdings werden einige übergreifende Tendenzen sichtbar: So sind die MLEs ‚Eintritt in den Ruhestand‘ und ‚Beginn einer neuen Freundschaft‘ stärker in den Clustern 4 und 5 vertreten, also in jenen beiden Clustern, in denen sich eher dialektaffine Proband:innen befinden. Dies ist nicht überraschend, schließlich gehen die beiden MLEs häufig damit einher, dass eine verstärkte Dialektorientierung angegeben wird. Insgesamt bestätigt sich aber, dass auch nach ein und demselben MLE unterschiedliche Wandeltendenzen wahrgenommen werden. Inwiefern sich diese durch die Clusterlösung abgebildeten unterschiedlichen Wandeltendenzen durch soziale Faktoren vorhersagen lassen, wird im folgenden Abschnitt näher analysiert.

4.2 Regressionsanalyse

Wie im Abschnitt 3.3 beschrieben, wurde ein Bayes’sches multinomiales Mehrebenenmodell berechnet, um die Clusterzuweisung als abhängige Variable (mit fünf Ebenen) mithilfe einer dreifachen Interaktion zwischen Geschlecht, Bildung und Alter beim MLE vorherzusagen. Seit ihren Anfängen (siehe Labov 1966) weist die soziolinguistische Forschung auf den ausgeprägten Einfluss von Geschlechter- und Bildungseffekten auf den Erwerb und Gebrauch soziolinguistischer Variation hin (vgl. etwa Labov 1990; Cheshire 2004; Tagliamonte 2012), wobei solche Effekte auch für Österreich nachgewiesen wurden (vgl. zum Überblick etwa Ender & Kaiser 2009). Auch Alter(n) erweist sich als ein wichtiger Faktor für sprachliche Veränderungen (vgl. etwa im Kontext von real-time-Studien Vergeiner et al. 2021). Dementsprechend gilt im Kontext der statistischen Modellierung zu überprüfen, inwiefern sich Unterschiede in Geschlecht und Bildung auf die wahrgenommenen Veränderungen im soziolinguistischen Repertoire auswirken, und ob diese Effekte etwa durch Alter moderiert sein könnten (wie etwa bei Wirtz, Pickl, Niehaus, Elspaß und Möller 2025 im Kontext der deutschen Alltagssprache festgestellt wurde).

Um festzustellen, ob es zwischen den Ausprägungen der kategorialen Variablen Unterschiede gibt, werden Bayes’sche Hypothesentests herangezogen. Dabei wird die Wahrscheinlichkeit errechnet, dass der Unterschied δ zwischen zwei Bedingungen (Männer vs. Frauen, kein tertiärer Bildungsabschluss vs. tertiärer Bildungsabschluss) größer als Null ist. Von einem signifikanten Unterschied wird erst dann ausgegangen, wenn (a) δ > 0 ist, (b) 0 nicht im 95 % highest density interval (HDI; das Bayes’sche Analogon zum Konfidenzintervall in herkömmlichen Verfahren) von δ enthalten ist, und (c) das Posterior P (δ > 0) nahe 1 liegt (d. h. ≥ 0.95).

Bayes’sche Modelle generieren eine Gesamtverteilung wahrscheinlicher Werte für jeden Effekt (die sogenannte ‚Posterior-Verteilung‘). Diese Verteilungen werden in Abbildung 5 in Form von vorhergesagten Wahrscheinlichkeiten für die jeweiligen Clusterzuweisungen in Abhängigkeit von Geschlecht (Abbildung 5a), Bildung (Abbildung 5b) und Alter beim MLE (Abbildung 5c) visualisiert. Höhere und steilere Spitzenwerte bei den density plots in Abbildungen 5a und 5b weisen auf wahrscheinlichere Werte hin. Oben rechts abgebildet werden bei 5a und 5b ebenfalls die Median-Unterschiede zwischen den zwei Ausprägungen der jeweiligen Variable, die HDI-Werte sowie die Wahrscheinlichkeiten, dass der Unterschied größer als 0 ist.

Als Ergebnis zeigen sich bei den Clustern 3 und 5 (d. h. den standard- und dialektaffinen Proband:innen) signifikante Unterschiede in Abhängigkeit von Geschlecht und Bildungsgrad. Der stärkste Unterschied findet sich bei Cluster 5 in Abhängigkeit vom Geschlecht. Dabei haben Männer eine signifikant höhere Wahrscheinlichkeit (ca. 12 % erhöht), Cluster 5 und damit den Dialektaffinen zugewiesen zu werden. Umgekehrt haben Frauen eine circa 7 % höhere Wahrscheinlichkeit, Cluster 3 und damit den Standardaffinen zugerechnet zu werden. Ein ähnliches Bild ergibt sich bei den Effekten von Bildung auf die Clusterzuweisung: Personen ohne einen tertiären Bildungsabschluss haben eine 8 % höhere Wahrscheinlichkeit, dem dialektaffinen Cluster anzugehören, während Personen mit einem tertiären Abschluss circa 10 % wahrscheinlicher den Standardaffinen zuzurechnen sind.

In Hinblick auf die Alterseffekte zeigt sich der stärkste Trend bei Cluster 2, insofern Personen, die beim Erleben des MLE älter sind, wahrscheinlicher den Sprecher:innen zuzurechnen sind, die eine (weitgehende) Stabilität im Repertoire angeben. Auch für Cluster 3, das die standardaffinen Proband:innen bündelt, kann ein Alterstrend beobachtet werden, wobei ein höheres Alter beim MLE mit einer niedrigeren Wahrscheinlichkeit für die Zuweisung zu diesem Cluster einhergeht. Die Alterstendenzen bei den Clustern 1 und 4 scheinen gegenteilig zu verlaufen – ältere Proband:innen scheinen also nach dem jeweiligen MLE eher eine höhere Bereitschaft zur Akkommodation und eine stärker gewordene Dialektidentität (Cluster 1) sowie höhere Anteile beim Dialektgebrauch (Cluster 4) wahrzunehmen.

Abschließend sollen die Interaktionen zwischen diesen drei Faktoren beleuchtet werden, vgl. Abbildung 6. Der am stärksten ausgeprägte Effekt zeigt sich zwischen Alter, Bildung und Geschlecht bei Cluster 5 (d. h. bei den dialektaffinen Proband:innen). Dabei lässt sich festhalten, dass jüngere Männer ohne tertiären Bildungsabschluss am wahrscheinlichsten den Dialektaffinen zugewiesen werden. Auch wenn der Effekt deutlich schwächer ausgeprägt ist, deutet Abbildung 6 zugleich darauf hin, dass am wahrscheinlichsten jüngere Frauen ohne tertiären Abschluss Stabilität (Cluster 2) wahrnehmen.

Abb. 6:

Interaktionseffekte zwischen Geschlecht, Bildung und Alter beim MLE auf die Wahrscheinlichkeit der Clusterzuweisungen