Zusammenstellung und Annotation von Korpora geschriebener Sprache. Einführung in Methoden und Werkzeuge

Korpora, d.h. Sammlungen sprachlicher Daten (Texte oder Gespräche) sind grundlegend in der „Digital-Humanities“-Forschung. Dabei ist eine häufige Aufgabe für Linguist\*innen, sprachliche Phänomene an Korpora zu untersuchen.

• Welche Formen des Verbs *sein* kommen in einem Text vor?
• Stehen häufig Artikel vor Numeralia?
• Was ist die durchschnittliche Länge einer DP/NP in einem modernen deutschen Text, evtl. im Vergleich mit dem modernen Niederländischen?
• Welche Arten von Sprechakten kommen in modernen Gesprächen vor?
• Welche Wörter können im modernen gesprochenen Englisch Hesitation anzeigen?
• Sind Texte, die von Männern geschrieben wurden, länger (oder kürzer) als solche, die von Frauen geschrieben wurden?

Um solche Fragen zu beantworten, ist es notwendig, Daten auszuwählen und aufzubereiten. Wir werden verschiedene Ansätze der Zusammenstellung und Annotation von Korpora kennenlernen.

Linguistische Fragestellungen kann man nur angehen, wenn eine geeignete Auswahl an Texten verfügbar ist; so kann man etwa aus Parlamentsreden oder mathematischen Aufsätzen kaum Erkenntnisse über Gespräche gewinnen. Daher werden wir uns zunächst mit Kriterien und Methoden der Korpuserstellung befassen, also der Auswahl von Texten nach extra- und intralinguistischen Kriterien, einschließlich urheberrechtlicher Aspekte.

Sprachliche Daten müssen durch Metadaten beschrieben werden, sodass man zum Beispiel Äußerungen weiblicher Sprecherinnen des südlichen Niederländisch zum Thema der politischen Entwicklung finden kann, die aus der zweiten Hälfte des zwanzigsten Jahrhunderts stammen. Wir werden verschiedene Herangehensweisen an Metadaten kennenlernen.

Es ist oft nützlich, sprachliche Daten zu annotieren, insbesondere:

• bezüglich pragmatischer Strukturen wie etwa Sprechakten oder rhetorischen Relationen;
• bezüglich semantischer Elemente wie *named entities* oder Zeitpunkte bzw. -räume;
• bezüglich syntaktischer Strukturen, z.B. Dependenz oder Phrasen;
• oder bezüglich morphologischer Relationen,

indem Wortklassen (*Verb*, *Substantiv*) oder Lemmata ("Lemmata" ‚Üí "Lemma") zugewiesen werden.

Manche dieser Annotationen können (teil)automatisch ausgeführt werden. Wir werden besprechen, welche Werkzeuge es gibt und wie sie zur Verfügung stehen.

Der Kurs wird sich hauptsächlich mit Textkorpora beschäftigen, aber da Korpora gesprochener/gebärdeter Sprache oder multimodale Korpora oft auf Ebene der Transkription und Annotationen durchsucht werden, sollte er auch Forscher\*innen nützlich sein, die sich mit solchen Daten befassen.