Korpustypologie

Kriterien für die Erstellung eines Korpus oder für die Wahl eines Korpus als Datenquelle für linguistische Recherchen (nach Lemnitzer/Zinsmeister, mit einigen Ergänzungen):

• Funktionalität: Zweck (für den Aufbau bzw. die Verwendung) des Korpus; ausschlaggebend für die anderen Kriterien
• Sprachenauswahl
  • monolingual
  • bi-/multilingual
  • Parallelkorpus: möglichst wörtliche Übersetzungen
  • Vergleichskorpus: Texte mehrerer Sprachen zu vergleichbaren
  Diskursbereichen, aber keine wörtlichen Übersetzungen in den jeweiligen Sprachen
• Medium
  • geschrieben
  • gesprochen: Transkriptionen
  • multimodal/multimedial: Audio-, Videoaufnahmen
• Größe in einschlägigen Einheiten
  Beispiele (Textkorpora):
  • Dortmunder Chat-Korpus: 0,6 Mio Tokens
  • DWDS-Kernkorpus: 100 Mio Tokens
  • Europarl: 11 x 28 Mio Tokens (parallel)
  • Goethe-Korpus: 1,4 Mio Tokens (aus 29 Texten aus Goethes Werken)
  • HGC (Huge German Corpus, IMS Stuttgart: 204,5 Mio Tokens aus versch. Zeitungen)
  • IDS-Korpora (DeReKo – Deutsches Referenzkorpus): > 25 Mrd Tokens
• Persistenz/Beständigkeit
  • statisch: festgelegte Größe, festgelegter Zeitraum (es kann aber Ergänzungen bzw. Änderungen geben: Version)
  • Monitorkorpus: wächst kontinuierlich oder Datenbestand ständig ausgetauscht
• Sprachbezug/Repräsentativität: Sprachliche Daten sind im Prinzip unendlich, aber die Daten aus Korpora sind endlich, daher stellt sich die Frage, ob und inwiefern ein Korpus für eine Sprache oder sprachliche Domäne repräsentativ sein kann. Hier kann man zwei Typen von Korpora unterscheiden:
  • Referenzkorpus: balancierte Mischung verschiedener Genres und Varietäten, soll die Sprache in einer bestimmten Periode möglichst gut abdecken
  • Spezialkorpus, oft opportunistisch gesammelt aus verfügbaren Quellen
• Verfügbarkeit
  • digital verfügbar
  • nur auf Papier bzw. Video usw.
  • frei verfügbar, z.B. zum Herunterladen im Web
  • per Lizenz, mit oder ohne Gebühr
  • eingeschränkt auf eine bestimmte Forschungseinrichtung
• Metadaten: Informationen über den Aufbau und Inhalt des Korpus (z.B. Quellen, Entstehungszeit usw.)
• Linguistische Aufbereitung: hinzugefügte linguistisch relevante Markierungen im Korpus
  • keine: rohe sprachliche Daten
  • Tokenisierung: Trennung der Korpusdaten in eindeutige Einheiten, genannt Tokens (Wortformen, Kürzel, Ziffern, auch Interpunktion).
  • Lemmatisierung: Markierung von Tokens, die Flexionsvarianten ein und desselben Wortstammes sind; die Markierung heißt das Lemma (Plural Lemmata) der Flexionsvarianten. Z.B. gehören die Wortformen Hund, Hunde, Hund(e)s, Hunden alle zum Lemma ‚Hund‘ (aber die abgeleitete Wortform Hündin gehört zu einem anderen Lemma, nämlich ‚Hündin‘).
  • Annotation: Markierung von (morpho)syntaktischen, semantischen u.a. Eigenschaften. Die häufigsten und für uns wichtigsten Typen von Annotationen sind Tagging und Parsing. Beispiele:
    • Morphosyntax (Tagging): Wortart, Flexionsmerkmale (Genus, Numerus, Kasus), auch Verbmerkale wie Tempus. Die Annotationen für solche Merkmale heißen Tags und die Gesamtheit der zum Tagging eines Korpus verwendeten Tags heißt Tagset; es gibt viele verschiedene Tagsets.
    • Syntax (Parsing): Konstituenten, syntaktische Funktionen, topologische Felder. Syntaktisch annotierte Korpora heißen auch Baumbanken (von ‚Syntaxbaum‘ + ‚Datenbank‘). Die dabei verwendeten syntaktischen Strukturen werden sowohl aus linguistisch-theoretischen Überlegungen als auch aus Effizienzgründen (um die Suchzeit möglichst kurz zu halten) gewählt.
    • Semantik: Eigennamen (aber oft als Tag markiert), Lesarten (Ambiguitäten), thematische Rollen
    • Pragmatik: Koreferenzauflösung, Topik/Fokus
    • Textstruktur: Kapitel, Vorspann, Paragraph, Fußnote usw.
    • Phonetik/Prosodie/Intonation
    • Gestik (multimodal)
    • Fehler: evtl. auf allen Ebenen, z.B. Ausprache, Rechtschreibung, Kongruenz, Wortstellung, Tempus usw. Dienlich für Sprachunterrichts- sowie Spracherwerbsforschung