Content uploaded by Angelika Storrer
Author content
All content in this area was uploaded by Angelika Storrer on Mar 31, 2016
Content may be subject to copyright.
1
Angelika Storrer
Online-Corpora zur linguistischen Analyse der deutschen Gegenwartssprache
An digitalen Textsammlungen, die im Internet oder auf CD-Rom verfügbar sind, gibt es
mittlerweile keinen Mangel mehr. Das Projekt Gutenberg, in seiner deutschen Fassung bei
Spiegel Online oder auch als DVD erhältlich (http://gutenberg.spiegel.de/info/info.htm),
umfasst mittlerweile ca. 420.000 Textseiten. Die Firma Directmedia publiziert in der Reihe
„Die digitale Bibliothek“ seit den 90er-Jahren digitale Versionen von wichtigen Werken aus
den Sozial- und Geisteswissenschaften, in denen man mit einem schnellen und einfach
erlernbaren Suchwerkzeug recherchieren kann (http://www.digitale-bibliothek.de/). Auch
viele Zeitungs- und Zeitschriftenverlage bieten online recherchierbare Archive ihrer Texte
kostenlos oder kostenpflichtig zur Recherche an, teilweise auch verschlagwortet und mit
anspruchvollen Suchoptionen. All diese Textsammlungen sind allerdings in erster Linie für
die inhaltliche Erschließung und Dokumentation gedacht; für die sprachwissenschaftliche
Analyse des Deutschen sind sie nur bedingt geeignet. Wer Belege zum verbalen Präfix „an+“
sucht, möchte Formen wie „andere“, „angeln“ und „androgyn“ ausschließen. Wer Belege zum
Lexem „fahren“ sucht, möchte meist auch Belege zu „fuhr“ und „fährt“ finden, nicht aber
Formen wie „fährt (…) an“, oder „fuhr (…) ab“ oder homographe Formen des Verbs
„führen“. Wer Belege zum Verb „schicken“ sucht, ist nicht an Fundstellen wie „eine schicke
Bluse“ interessiert. Um Lösungen für die speziellen Anforderungen der linguistischen
Textanalyse bemühen sich die als „Corpuslinguistik“
1
und „Texttechnologie“
2
bezeichneten
sehr aktiven Forschungsbereiche. Sie entwickeln in interdisziplinärer Zusammenarbeit mit
Informatik, Computerlinguistik und Linguistik Methoden, Standards und Werkzeuge für den
Aufbau und die Erschließung von Corpora gesprochener und geschriebener Sprache, die als
empirische Basis für die Theoriebildung und die Überprüfung theoretischer Annahmen an
authentischen Textbelegen herangezogen werden können. Die Formen der linguistischen
Annotation, wie die Anreicherung von Textdaten mit Metadaten zur Explikation linguistischer
Merkmale genannt wird, reichen von der Rückführung flektierter Formen auf Grundformen
(„Lemmatisierung“ genannt) über die Morphemzerlegung und die Zuordnung von Wörtern zu
syntaktischen Kategorien („Part-of-Spech-Tagging“ genannt) bis zur partiellen oder
vollständigen Analyse syntaktischer Strukturen von Sätzen, die in der Form sog. Baumbanken
(Treebanks) über spezialisierte Such- und Recherchewerkzeuge zugänglich gemacht werden.
Der Umgang mit linguistisch aufbereiteten Corpora erfordert technische Kenntnisse und
eine methodologische Vorbildung, die es ermöglicht, den Stellenwert von Belegen und die
Signifikanz statistischer Berechnungen in Bezug auf eine Fragestellung richtig einzuschätzen.
Es wird zunehmend eine Aufgabe der universitären Linguistikausbildung sein, Studierende an
den Umgang mit Sprachcorpora heranzuführen und ihnen dabei die erforderlichen Werkzeug-
und Methodenkenntnisse zu vermitteln. Hierzu müssen nicht unbedingt spezielle
Veranstaltungen angeboten werden. Vielmehr lassen sich bei entsprechender technischer
Ausstattung Corpusrecherchen als aktivierende Komponenten in Seminare einbinden, etwa
indem Studierende kleine Untersuchungen zu Regularitäten in den Bereichen Phraseologie,
Morphologie/Wortbildung, Wortschatzentwicklung und Sprachkontakt anstellen oder
Merkmale gesprochener Sprache untersuchen. Im Folgenden möchte ich Ressourcen und
Werkzeuge für Corpora zur deutschen Gegenwartssprache vorstellen, die kostenfrei und
direkt über das Internet verfügbar sind, und die auch ohne computerlinguistische Vorbildung
mit einer akzeptablen Einarbeitungszeit im Bereich der germanistischen Linguistik und der
Auslandsgermanistik für die Forschung und die Lehre nutzbar gemacht werden können. Der
besseren Lesbarkeit halber sind sämtliche Verweise auf WWW-Adressen in den Anhang
ausgelagert.
Eine langjährige Tradition in der Zusammenstellung, Digitalisierung und linguistischen
Erschließung deutscher Corpora hat das Institut für deutsche Sprache in Mannheim.
Entsprechend finden sich dort zwei wichtige Corpussammlungen: Die Datenbank
„Gesprochenes Deutsch“ und die Corpus-Sammlung geschriebener Gegenwartssprache. In
beiden Corpora kann man online recherchieren; beide Corpora bieten vielfältige Optionen zur
linguistischen Recherche und Weiterverarbeitung der Ergebnisse. Die Datenbank
1
Einführend z.B. McEnery, T. / Wilson, A. (2001): Corpus Lingustics. Edinburgh University Press.
2
Einführend z.B. Lobin, H. / Lemnitzer, L. (2004): Texttechnologie. Perspektiven und Anwendungen.
Stauffenburg.
2
„Gesprochenes Deutsch“ ist, wenn bestimmte technische Voraussetzungen erfüllt sind, mit
Hilfe eines Web-Browsers nutzbar, in denen die vielfältigen Abfrageoptionen verständlich
erklärt und anhand von Beispielabfragen veranschaulicht sind. Interessant für die Lehre ist die
Alignierung (digital gespeicherte Zuordnung) von Transkripten und Tondateien, die den
Zugang zu Transkripten gerade für Studierende erleichtert. Bislang sind nur Ausschnitte aus
dem insgesamt am IDS verfügbaren Material öffentlich und online zugänglich; diese machen
jedoch das Recherche-Potenzial der kontinuierlich weiter entwickelten Ressource deutlich
und liefern genügend Material für kleinere Untersuchungen zu Merkmalen gesprochener
Sprache im Rahmen eines einführenden Seminars. Weiterhin verfügt das IDS über die (nach
eigenen Angaben) weltweit größte Sammlung von Corpora geschriebener deutscher
Gegenwartssprache (ca. 2 Milliarden Textwörter). Der Zugriff darauf wird realisiert über eine
spezielle Client-Software, COSMAS-II, die heruntergeladen und auf dem Rechner installiert
werden kann. Wem dies gelingt, dem steht ein mächtiges Recherchewerkzeug mit vielfältigen
Such- und Ausgabeoptionen auf die Mannheimer Corpora zur Verfügung – etwas
Einarbeitungszeit in die Nutzung sollte man allerdings veranschlagen; deutsche Hilfetexte
dazu sind online und zum Download verfügbar. Leider läuft COSMAS-II bislang nur mit
Windows-basierten Betriebsystemen. Zum Frühjahr 2005 ist ein Werkzeug zur direkten
Online-Recherche über einen Web-Browser (wie im Vorgänger-System COSMAS-I oder im
unten beschriebenen DWDS-Corpus) angekündigt. Auf diese Schnittstelle werden sich Mac-
Nutzer und Nutzer von Unix-basierten Systemen ebenso freuen, wie all diejenigen, die
bislang mit der Client-Software nicht zurecht gekommen sind.
Wer direkt über seinen Web-Browser in einem Corpus der deutschen Gegenwartssprache
recherchieren möchte, kann die Corpora nutzen, die im Zuge eines Projekts zur Erstellung
eines digitalen Wörterbuchs zur deutschen Sprache des 20. Jahrhunderts an der Berlin-
Brandenburgischen Akademie der Wissenschaften aufgebaut wurden. Das dort verfügbare
Kerncorpus (ca. 100 Mio. Textwörter) ist außerdem nach dem Prinzip der Ausgewogenheit
zusammengestellt. Das bedeutet: Die für das Corpus ausgewählten Texte sind gleichmäßig
über Dekaden (im Zeitraum von 1900 bis 2000) und Textsorten (Belletristik, Fachtextprosa
und Zeitungstexte) gestreut. Deshalb eignet sich dieses Corpus besonders gut für
Untersuchungen zur Wortschatzentwicklung und zur Textsortenspezifik. In der
„Schnupperversion“, die ohne Registrierung unmittelbar genutzt werden kann, sind allerdings
nur Texte im Zeitraum von 1900 bis 1945 mit eingeschränkten Kontexten zugänglich. Die
Version für registrierte Benutzer hat eine deutlich erweiterte Funktionalität und ermöglicht
den Zugriff auf das gesamte Corpus über eine schnell erlernbare Nutzerschnittstelle. Für
Forschungszwecke würde man sich noch bessere Möglichkeiten für das Ausdrucken und
Weiterverarbeiten wünschen. Attraktiv für den Einsatz in der Lehre sind der unkomplizierte
und robuste Zugang, die Visualisierung der Vorkommenshäufigkeiten zu einem Suchwort
über die Dekaden hinweg und – zu diesem Zweck wurde das Corpus schließlich entwickelt –
die Verlinkung der Corpusdaten mit dem digitalen Wörterbuch
3
. Dieses hat als Kernbestand
die digital aufbereitete Version des WDG (Wörterbuch der deutschen Gegenwartssprache),
dessen Artikel mit Corpusbelegen und anderen lexikologischen Informationen verknüpft sind.
Diese Verlinkungsstrukturen bieten Ansatzpunkte für Recherchen zur Wortbildung oder zum
Bedeutungswandel und liefern Anregungen für das Verfassen hypertextueller
Wörterbuchartikel, z.B. als Übungen in Seminaren zur (computergestützten) Lexikographie.
Etwas mehr Zeit für die Einarbeitung muss man einplanen, wenn man in syntaktisch
annotierten Corpora recherchieren möchte; schließlich muss man sich dafür nicht nur in das
Suchwerkzeug einarbeiten, sondern auch in die Kategorien, die im jeweiligen Corpus für die
syntaktische Annotation genutzt werden. Dafür eröffnen sich für die Grammatikforschung
und die Lexikographie aber auch ganz neue, sehr detaillierte Recherchemöglichkeiten. Mit
dem Werkzeug TiGerSearch, das am Institut für maschinelle Sprachverarbeitung (IMS) der
Universität Stuttgart entwickelt wurde, steht mittlerweile ein intuitiv bedienbares, gut
dokumentiertes und ansprechend gestaltetes Werkzeug zu Verfügung, das für
wissenschaftliche Zwecke kostenfrei auf verschiedenen Plattformen installiert werden kann
(Windows, MacOS, Linux u.a.). Die Syntax der symbolischen Abfragesprache bietet sehr
komplexe Suchoptionen; für Einsteiger und Nutzer ohne computerlinguistische Vorbildung
bietet TiGerSearch aber auch eine graphische Abfragesprache, in der sich mit einfachen
Abfragen an einem Beispielcorpus das Prinzip der Suche in Baumbanken erlernen lässt;
3
Direkter Zugriff auf das Wörterbuch unter http://www.dwds.de/pages/pages_woebu/dwds_woebu.htm.
3
hierbei können Studierende auch gleichzeitig ihre Kenntnisse grammatischer Strukturen und
Kategorien auffrischen bzw. erweitern. Für die deutsche Gegenwartssprache stehen
verschiedene Baumbanken zur Verfügung: Die an der Universität des Saarlandes aufbaute
NEGR@-Baumbank verfügt in ihrer aktuellen, zweiten Version über ca. 20.000 annotierte
Sätze, die semi-automatisch erstellt und intellektuell evaluiert wurden. Die an der Universität
Tübingen entwickelte Baumbank TüBa/-D/Z umfasst ca. 15.000 Sätze und berücksichtigt
neben der Konstituentenstruktur und den grammatischen Funktionen auch topologische
Felder. Die am IMS der Universität Stuttgart erstellte TiGer-Treebank umfasst ca. 40.000
Sätze und eignet sich wegen der engen Verbindung zum TiGerSeach-Werkzeug (ein Pröbchen
dieses Corpus ist dem Werkzeug beigefügt) besonders gut dazu, den Umgang mit dem
Werkzeug einzuüben und sich das Potenzial der Recherche in Baumbanken für die
Sprachforschung zu erschließen. Es ist aber gerade eine Stärke von TiGerSearch, dass auch
die Formate von NEGR@ und TüBa/-D/Z, sowie andere Baumbank-Standards (z.B. das
Format der englischen PENN-Treebank) unterstützt werden; die entsprechenden Corpora
lassen sich problemlos mit TiGerSearch durchsuchen. Die drei genannten deutschen
Baumbanken enthalten ausschließlich Zeitungstexte (TAZ, Frankfurter Rundschau) und sind
allesamt für wissenschaftliche Zwecke kostenfrei erhältlich.
Die Beschreibungen in diesem Beitrag beziehen sich auf den Stand im Januar 2005. Da die
meisten der genannten Projekte sehr aktiv sind, können sich bereits beim Erscheinen dieses
ZGL-Heftes Veränderungen ergeben haben. Aktuelle Informationen finden sich unter den
unten angegebenen Web-Adressen. Die von mir getroffene Auswahl beschränkte sich auf
Corpora zur linguistischen Analyse der deutschen Gegenwartssprache. Wer sich für frühere
Sprachstadien des Deutschen interessiert, der sei auf die Link-Sammlung des Projekts
„Deutsch Diachron Digital“ verwiesen; dieses Kooperationsprojekt hat zum Ziel, ein digitales
Referenzcorpus zur deutschen Sprache zu entwickeln, das von den Anfängen der
Textüberlieferung bis zum 19. Jahrhundert reicht (Informationen:
http://www.deutschdiachrondigital.designato.de). Wer sich für weitere Ressourcen zur
Corpuslinguistik und für Corpora zu anderen Sprachen interessiert, findet stets aktuelle
Informationen unter den unten aufgeführten Link-Sammlungen.
Web-Adressen (URLs) zu den genannten Online-Ressourcen:
– Überblick über die Corpusarbeit und die vorhandenen Daten am Institut für deutsche
Sprache in Mannheim: http://www.ids-mannheim.de/kt/corpora.html
– Überblick über die Corpora zum gesprochenen Deutsch am Institut für deutsche Sprache
in Mannheim (Deutsches Spracharchiv):
http://dsav-oeff.ids-mannheim.de/DSAv/DSAVINFO.HTM
http://www.ids-mannheim.de/kt/projekte/korpora/archiv.html
– Online-Zugang zur Datenbank „Gesprochenes Deutsch“ (GDG):
http://dsav-oeff.ids-mannheim.de/DSAv/ZUGANG.HTM
– Überblick über die Corpora geschriebener Gegenwartssprache am Institut für deutsche
Sprache in Mannheim: http://www.ids-mannheim.de/kt/projekte/korpora/
– Corpusrecherchewerkzeug COSMAS-II: http://www.ids-mannheim.de/cosmas2/
– Überblick über die Corpora an der Berlin-Brandenburgischen Akademie der
Wissenschaften (BBAW) im Projekt DWDS (Digitales Wörterbuch der deutschen Sprache
des 20. Jahrhunderts, http://www.dwds.de):
http://www.dwds.de/pages/pages_textba/dwds_textba.htm
– Zugänge zur Online-Schnittstelle des DWDS-Corpus an der BBAW:
http://www.dwds.de/pages/pages_textba/dwds_textba_rech.htm
– Direkter Zugriff für angemeldete Nutzer: http://www.dwds.de/cgi-bin/rest/loginstart
Baumbanken:
– Das Recherchewerkzeug für Baumbanken TiGerSearch (IMS Stuttgart):
http://www.ims.uni-stuttgart.de/projekte/TIGER/TIGERSearch/
– Das NEGR@-Corpus (Computerlinguistik, Universität des Saarlandes):
http://www.coli.uni-sb.de/sfb378/negra-corpus/negra-corpus.html
4
– Tübinger Baumbank des Deutschen Schriftsprache" (TüBa-D/Z, SfS Universität
Tübingen):
http://www.sfs.uni-tuebingen.de/de_tuebadz.shtml
– Das TiGer-Corpus (IMS Stuttgart):
http://www.ims.uni-stuttgart.de/projekte/TIGER/TIGERCorpus/
Link-Sammlungen zu Corpora und zur Corpuslinguistik:
– Die LINSE-Rubrik zu Corpora und Corpuslinguistik enthält viele aktuelle Links zum
Thema: http://www.linse.uni-
essen.de/inlink/index.php?sid=793965326&t=sub_pages&cat=23
– Das Linguistic Data Consortium (LDC: http://www.ldc.upenn.edu/) organisiert die
Sammlung, Verfügbarmachung und Entwicklung von Ressourcen (Daten, Werkzeuge,
Standards) für Forschung, Entwicklung und Lehre in Linguistik und Sprachtechnologie.
Die Liste der dort erhältlichen Corpora findet sich unter:
http://www.ldc.upenn.edu/Catalog/byType.jsp
– Die Evaluations and Language Resources Distribution Agency (ELDA), distribuiert
Corpora und lexikalische Ressourcen mit Schwerpunkt auf europäischen Sprachen im
Auftrag der übergreifenden Organisation ELRA (European Language Resources
Association) und verfolgt dabei im europäischen Maßstab ähnliche Ziele wie das LDC.
Der Katalog findet sich unter: http://www.elda.org/
– Eine Linkliste zu Baumbanken und Baumbankprojekten weltweit pflegt das IMS
Stuttgart: http://www.ims.uni-stuttgart.de/projekte/TIGER/related/links.shtml
Adresse der Verfasserin: Prof. Dr. Angelika Storrer, Universität Dortmund, Institut für
deutsche Sprache und Literatur, D-44221 Dortmund, E-Mail: angelika.storrer@uni-
dortmund.de
