Korpuslinguistik IDS-Korpora und COSMAS II

Transkript

1 Korpuslinguistik IDS-Korpora und COSMAS II Heike Zinsmeister Korpuslinguistik

2 Gliederung 1 Einleitung 2 Korpusbestand am IDS 3 Korpusrecherche mit COSMAS II 4 Referenzen

3 Das Institut für Deutsche Sprache (IDS) Hintergrund das IDS befindet sich in Mannheim beherbergt die größte zentrale Sammlung deutschsprachiger Korpora Beispiele korpus-basierter Arbeiten am IDS dreibändige IDS-Grammatik (Zifonun et al. 1997) Online-Referenzlexikon des Projekts Elexiko Online-Referenzgrammatik des Projekts grammis Arbeiten zu Neologismen

4 Gliederung 1 Einleitung 2 Korpusbestand am IDS 3 Korpusrecherche mit COSMAS II 4 Referenzen

5 Korpora am IDS Zwei Verwaltungsstellen geschriebene Sprache: Korpusarchiv der Arbeitsgruppe für Korpustechnologie gesprochene Sprache: Archiv für gesprochenes Wort (AGD) der Abteilung Pragmatik

6 Korpora geschriebener Sprache COSMAS II neuerdings auch DeReKo (= Deutsches Referenzkorpus) zwei Milliarden Token in 50 Korpora ca. zwei Drittel sind für wissenschaftliche Zwecke frei nutzbar Schwerpunkt liegt auf Standardsprache und Zeitungstexte nach 1945, zusätzlich Belletristik, Trivial- uns Fachliteratur 5 Korpora (7 Millionen Token) entstammen aus den Jahren

7 Korpora gesprochener Sprache AGD 50 Korpora mit mehr als 4000 Stunden Video- und Audioaufnahmen knapp drei Viertel sind für wissenschaftliche Zwecke frei nutzbar; 2 Millionen transkribierte Token umfasst unterschiedliche Varietäten des Deutschen im Inund Ausland

8 Organisation der Korpora (1) Archive Die ca. 190 COSMAS II-Korpora sind in 7 Archiven organisiert W: Archiv der geschriebenen Korpora (das größte Archiv) N: Archiv der neuakquirierten geschriebenen Korpora HIK: Archiv der historischen Korpora FNZ: Archiv der frühen Nachkriegszeit TAGGED: Archiv der morphosyntaktisch annotierten Korpora WK-PH: Archiv der phasengegliederten Korpora W-Übrig: Archiv der aussortierten geschriebenen Korpora SZ: Archiv der Süddeutschen Zeitung (nur IDS-intern nutzbar)

9 Organisation der Korpora (2) Interner Aufbau der Archive Archive bestehen aus Teilkorpora, größtenteils externe Korpora z.b. Teilkorpus des Bonner Limas-Korpus (1 Millionen Token) Teilkorpora gliedern sich in Dokumente, z.b. das taz-teilkorpus von 1997 in zwölf Dokumente. Dokumente bestehen aus einzelnen Texten, z.b. das Dokument von Juli 1997 aus Texten.

10 Aufbereitung der Korpora Abfragbare Annotation Textstruktur Lemmata Flexionsmorphologie Morphsyntax (= Wortarten), eingeschränkt

11 Gliederung 1 Einleitung 2 Korpusbestand am IDS 3 Korpusrecherche mit COSMAS II 4 Referenzen

12 Zugriff auf die Korpora mit COSMAS II Virtuelle Korpora für die Recherche fasst der Nutzer Teilkorpora, Dokumente und/oder Texte zu einem virtuellen Korpus zusammen. zusätzlichen werden vordefinierte virtuelle Korpora angeboten Virtuelles Korpus Zusammensetzung Anmerkung Zugang TAG-gesamt mm-tag lim-tag das gesamte Archiv spiegel-tag TAG-öffentlich mm-tag lim-tag der öffentliche Teil des Archivs lim-tag lim-tag LIMAS-Korpus, annotiert mm-tag m91-tag m94-tag Mannheimer Morgen, m95-tag m96-tag annotiert nichtöffentl. öffentl. öffentl. öffentl.

13 Zugriff auf die Korpora mit COSMAS II Registrierung ist nötig, aber kostenfrei und automatisiert per . Drei Zugangsarten Online: COSMAS IIweb Windows-Client: COSMAS IIwin (am komfortabelsten) Skript-basiert: COSMAS IIscript

14 Suche mit COSMAS II Suchmodus grafisch zeilenbasiert Suchinhalte Frequenzen von einzelnen Wörtern/Lemmata, Wortteilen, Wortkombinationen, Kontextbedingungen, (Wortarten) Ausgabe Frequenzen, Kollokationen (LogLikelihood Score), Konkordanz mit Kontext, Volltext (einschließlich Quellennachweis), Export nach.txt und.rtf (max Treffer)

15 Die Anfragesprache (1) Einfache Suchausdrücke Anfrage Treffer Haus Haus nur die Wortform Haus &Haus Haus, Hauses, alle Flexionsformen Häuser,... von Haus be* bei, Belag, Besen, alle Wortformen, die bereit... mit be- beginnen *chen bisschen, alle Wortformen, die Häuschen, mischen, mit -chen enden Wochen... (nach Scherer 2006, S.82)

16 Die Anfragesprache (2) Komplexe Suchausdrücke: Operatoren Anfrage Treffer se?en Segen, sehen, seien,,, alle Wortformen, bei denen zwischen se und en genau ein Buchstabe steht se+en Seen, Segen, sehen, seien... se*en sechsten, Seen, Segen, sehen,... alle Wortformen, bei denen zwischen se und en kein oder genau ein Buchstabe steht alle Wortformen, bei denen zwischen se und en beliebig viele Buchstaben stehen (nach Scherer 2006, S.82)

17 Die Anfragesprache (3) Morphologische Annotation & Satzzeichen Anfrage &be- Treffer bekochen, belügen, beraten, besingen.. alle Wortformen, die das Präfix be- enthalten alle Wortformen, die das Suffix -chen enthalten alle Sätze, die mit einem Fragezeichen enden. &-chen Bäumchen, Häuschen, Kindchen... \$ Was hast du gesagt? (nach Scherer 2006, S.82)

18 Ablauf einer Suchabfrage (1) 1. Wahl eines Archivs 2. Definition eines virtuellen Korpus 3. Formulieren der Suchanfrage für Zugriff auf morphologische Analyse im Menü Einstellungen die Lemmatisierung von Komposita und anderen Wordbildungsformen aktivieren 4. Suche starten mit der Erzeugung einer Wortformenliste Abfrage vorbereiten

19 Ablauf einer Suchabfrage (2) 5. Auswahl der Wortformen für weitere Inspektion (Ankreuzen) 6. Bereitstellung der Fundstellen Ergebnisse 7. KWIC-Format (Kontextgröße einstellen): ggf. weitere Auswahl 8. Volltextanzeige (Kontextgröße einstellen): ggf. weitere Auswahl 9. Export der KWIC- oder Volltextinformation

20 Gliederung 1 Einleitung 2 Korpusbestand am IDS 3 Korpusrecherche mit COSMAS II 4 Referenzen

21 Referenzen Hauptquellen Online-Dokumentation von COSMAS II Scherer, C. (2006): Korpuslinguistik. Heidleberg: Universitätsverlag Winter, Kap. 5.3 Weitere Literatur Lemnitzer, L. und H. Zinsmeister (2006): Korpuslinguistik. Eine Einführung. Tübingen: Narr, S. 90ff. Zifonun, G. et al. (1997): Grammatik der deutschen Sprache. Berlin: de Gruyter.