Linguistische Daten. Hauptseminar: Einführung in die Korpuslinguistik. Linguistische Daten. Introspektion. Psycholinguistische Experimente

Transkript

1 Hauptseminar: Einführung in die Korpuslinguistik Anke Lüdeling Wintersemester 2002/2003 Introspektion Die Linguistin sitzt im Lehnstuhl und beurteilt Sprachdaten (arm-chair linguistics) generative Tradition Grammatikalitätsurteile muttersprachliche Kompetenz keine zufälligen Faktoren wie Lebensumstände, Wohnort etc. (nächste Woche) Psycholinguistische Experimente verschiedene Experimente: Reaktionszeitexperimente (lexical decision), Produktionsexperimente, Bewertungsexperimente,... eye tracking, fmri + andere imaging-techniken Zugriffszeiten, Speicher- und Verarbeitungsmodelle, Fehlerbehandlung, Interaktion mit anderen kognitiven Prozessen

2 Datenerhebungen (verwandt mit psycholinguistischen Experimenten und Korpuslinguistik) man geht mal über n Flur und fragt die Kollegen was kann man mit den Auskünften anfangen? warum ist das keine gute Methode? man entwickelt einen Fragebogen nach bestimmten Kriterien und fragt eine ausgewählte Zielgruppe man sammelt Daten nach bestimmten Kriterien Korpus Korpora Sammlungen von Texten (geschrieberner Text, transkribierte gesprochene Sprache) Textkorpora Texte mit syntaktischer Struktur Baumbanken Sprachdaten (Sprachsignal evtl. mit Transkription, phonetische Annotation) Sprachkorpora Sprachdaten mit Transkription und weiterer Information wie Gestik, Mundbewegung etc. multimodale Korpora Korpora können nach bestimmten Kriterien gesammelt werden oder auch opprtunistisch (man nimmt, was man bekommt) können riesig groß sein (>200 m Wörter) oder ganz klein können auf allen linguistischen Ebenen annotiert sein (Wortart, Semantik, Syntax,...) Linguistische Probleme Für welche linguistischen Probleme/Fragestellungen/Hypothesen sind Korpusdaten hilfreich? Wie sollten die Daten aussehen (in einer idealen Welt)? Welche Daten? Wie aufbereitet? Wie zugänglich? Ihr linguistisches Lieblingsproblem?

3 Linguistische Bereiche, die schon lange quantitative Methoden/Korpora verwenden Soziolinguistik/Sprachvariationsforschung historische Linguistik/Sprachwandelforschung Psycholinguistik Lexikographie/Kollokationsforschung Sprachbeschreibung (Feldforschung) Soziolinguistik/Dialektforschung Wie unterscheiden sich Dialekte/Soziolekte voneinander und von der Standardsprache? phonologisch in der Lexik in der Syntax Wie verändern sich Dialekte/Soziolekte? Wie werden Dialekte voneinander abgegrenzt? Schreiben/sprechen Frauen anders als Männer? Neeie Buunsdag kummt ton ersten Mal tohope Berlin: Dreeunhalf Weeken na de Wahl kummt de neeie Buunsdag in halbe Stünn ton ersten Mal tohope. Apenmakt ward de Versammeln mit'n Rede vun den Öllers-Präsidenten, den 70- jährigen Buunsbinnenminister Schily. Darna schall de Parlaments-Präsident wählt wern. De eenzige Kandidat is de SPD-Politiker Thierse, de betherto dat Amt all hat het. As dat Traditschoon is, ward de Buunsdagspräsident jümmers vun de grötste Fraktschoon stellt. (erste Nachricht bei den Plattdeutschen Nachrichten bei , 14:30) Dreieinhalb Wochen nach der Bundestagswahl ist das Parlament am Vormittag zu seiner konstituierenden Sitzung zusammengekommen. Wolfgang Thierse (SPD) wurde zum Bundestagspräsidenten gewählt - allerdings mit einem schlechten Ergebnis. Die Union scheiterte mit dem Versuch, einen zweiten Bundestagsvize aus den eigenen Reihen durchzuboxen. DDP Der wiedergewählte Bundestagspräsident Wolfgang Thierse nimmt Gratulationen von SPD-Fraktionschef Müntefering (r.) und Kanzler Schröder (M.) entgegenberlin - In geheimer Wahl erhielt Thierse 357 von 596 Stimmen. 219 Parlamentarier stimmten mit Nein, 20 enthielten sich. Das Ergebnis einer Zustimmung von 59,9 Prozent, 1998 waren es noch 76,9 Prozent. Erst zwei Mal zuvor und waren Bundestagspräsidenten mit weniger als 60 Prozent der Stimmen gewählt worden. (erste Nachricht bei , 14:30) Irrer Menschenjäger legt Washington lahm Jetzt gibt die Polizei Überlebens-Tipps Die Überlebens-Tipps der Polizei Eine ganze Region lebt in Angst. Der irre Menschenjäger mit dem Präzisionsgewehr bei elf Anschlägen ermordete er schon neun Menschen. Mit den Attentaten legt der Heckenschütze die US-Hauptstadt Washington lahm. Jetzt sieht sich die Polizei gezwungen, der Bevölkerung ernst gemeinte Überlebens-Tipps zu geben. Irrer Menschenjäger von Washington: Fangen sie ihn mit Satelliten? Die Blutspur des Serienkillers von Washington Das öffentliche Leben im Großraum Washington es ist seit der Mordserie von Panik geprägt. Wer nicht unbedingt muss, bewegt sich nicht aus schützenden Gebäuden heraus. Für die, die nicht anders können, gibt die Polizei jetzt sieben seriöse Tipps. Soziolinguistik : Texte aus den verschiedenen Sozio/Dialekten, die in jeder anderen Hinsicht vergleichbar sind Annotation auf allen Ebenen: Phonologie, Syntax, Pragmatik etc. Methoden, Texte quantitativ zu vergleichen (mathematische Modelle) (erste Nachricht bei , 14: 30)

4 Sprachwandel Sprachwandel Wann hat man angefangen, you statt thou zu verwenden? Wann hört man auf, ein bestimmtes Wort/eine bestimmte Konstruktion/eine bestimmte phonetische Variante zu verwenden? Ist ein bestimmter Text mittelhochdeutsch oder eher schon neuhochdeutsch? Wie kann man Sprachwandel mathematisch modellieren? Texte verschiedener Sprachstufen, die in anderer Hinsicht vergleichbar sind (besondere Schwierigkeiten: Verfügbarkeit, Edition, keine Sprachdaten vorhanden) Annotation auf allen linguistischen Ebenen mathematische Modelle und Methoden Psycholinguistik Psycholinguistik Beeinflusst die Worthäufigkeit die Reaktionsgeschwindigkeit in der Erkennung (lexical decision)? Spielen die Häufigkeiten morphologisch verwandter Wörter vielleicht auch eine Rolle? bei ambigen Wörtern: welche Rolle spielen die Häufigkeiten der einzelnen Lesarten? Wie wird die sprachliche Performanz von anderen Faktoren beeinflusst? Wie kann man diese messen? Z.B.: Wie verändert sich sprachliches Verhalten in Stresssituationen? (Gastvortrag Patrick Grommes) repräsentative Textsammlungen, aus denen Worthäufigkeiten ermittelt werden können Annotation auf verschiedenen Ebenen, z.b. morphologisch und semantisch Lexikographie Wie wird ein bestimmtes Wort verwendet? (Kontexte) Wie häufig sind die einzelnen Lesarten? Welche Wörter werden häufig zusammen verwendet (Kollokationen)? Welche Wörter werden nicht mehr verwendet? Welche Wörter werden in einer bestimmten Fachsprache verwendet?... ist es günstiger, die Babys auf den Bauch zu legen... die Kinderwagen erhielten extra große Panoramafenster, um dem Säugling einen Blick auf seine Umgebung zu ermöglichen entsprechend fällt auch die Antwort des Kinderarztes auf die Frage aus, wie... die Krise des Wohlfahrtsstaates einzig und allein auf dem Feld der Ökonomie bewältigen zu können... doch Damaskus drängt, den Wahltermin auf Juni vorzuziehen... ein Resultat läßt allerdings auf sich warten damals, als 20jähriger verdingte er sich auf der Insel Hiddensee als Kellner

5 Lexikographie ausgewogenes großes Korpus für allgemeines Lexikon; Fachkorpora für Fachlexika Annotation auf allen linguistischen Ebenen, insbesondere auch syntaktische Struktur gute Suchwerkzeuge, mit denen man z.b. Wörter einer bestimmten Wortart/in einer bestimmten Konstruktion suchen kann mathematische Verfahren, mit denen man Kollokationsstärke errechnen kann Traditionell nicht quantitative Bereiche, die aber doch Korpusdaten verwenden können (generative) Syntax (lexikalische) Semantik Phonologie Morphologie Syntax Ist eine bestimmte Konstruktion wirklich ungrammatisch? Ist eine bestimmte Konstruktion häufig/wahrscheinlich? möglichst große, syntaktisch annotierte Korpora (Lexikalische) Semantik Wie wird ein bestimmtes Wort verwendet? Wie verteilen sich die Lesarten? Welche Verwendungen sind kollokativ? Kommt das Wort auch metaphorisch vor? Welches Wissen hilft bei der Auflösung von Anaphern/Epithetaketten? : großes Textkorpus mit Lesartenmarkierung Dieter Baumann hat sich in der Weltklasse zurückgemeldet: Im ersten Freiluftrennen nach Ablauf seiner zweijährigen Dopingsperre feierte der 37-Jährige im italienischen Camaiore über Meter einen beeindruckenden Sieg. In der Jahresweltbestzeit von 27:38,51 Minuten schaffte der Tübinger zugleich die Qualifikation für die Leichtathletik- Europameisterschaften im August in München. [...]"Von den Besten in Europa hat nur Ismail Sghir gefehlt. Deshalb ist es ein schönes Gefühl, hier zu gewinnen", strahlte der 37-Jährige trotzdem. Dennoch glänzte er 15 Tage vor seinem Marathon- Debüt in Hamburg mit der drittbesten Zeit seiner Karriere und zeigte auch alte Qualitäten im Spurt. Nachdem er zwei Runden vor Schluss selbst die Führung übernommen hatte, ließ der 5000-m-Olympiasieger von 1992 dem Spanier Jose Rios (27:38,82) auf den letzten Metern keine Chance. Phonologie Wie werden Fremdwörter ausgesprochen? Kann man anhand der Prosodie Lesarten unterscheiden? dass er den Laden leer kauft Wie kann man Akzente klassifizieren? : möglichst natürlich aufgenommene Sprachdaten mit phonetischer und phonologischer Annotation

6 Ungeordnet Der französische Staatspräsident Jacques Chirac glaubt nicht, dass es zwischen dem Irak und dem Terrornetzwerk al-qaida eine Verbindung gibt. Damit stellt er sich gegen die Darstellung von US- Präsident George W. Bush. Paris - Die französischsprachige libanesische Tageszeitung "L'Orient-Le Jour" zitiert Chirac: "Meines Wissens ist kein Beweis für eine Verbindung zwischen Irak und al-qaida gefunden worden, oder jedenfalls wurde keiner öffentlich." Wieviele Wörter kommen in einer bestimmten Textsorte/Sprechergruppe/etc. vor? Wieviele Wörter gibt s eigentlich? Wie wahrscheinlich ist es, dass man ein noch nie gesehenes Wort (eines bestimmten Wortbildungsmusters) findet, wenn man zu 200 m Wörtern 100 Wörter hinzufügt? Wie unterscheiden sich übersetzte Texte von nicht übersetzten Texten? Ungeordnet Was sind typische Tippfehler? Was sind typischer Lernerfehler? Wie lernen Kinder eigentlich orthographische Regeln? Von welchem Autor ist ein bestimmter Text? (Stylometry, auch forensische Linguistik) NB: Computerlinguistik braucht Korpusdaten als: Testdaten für regelbasierte/constraintbasierte Verfahren Trainingsdaten für statistische Verfahren (statistische Parser, Maschinelle Übersetzung, Spracherkennungssoftware,...) Daten für die Entwicklung mathematischer (statistischer) Modelle NB: Computerlinguistik computerlinguistische Verfahren in der Korpuslinguistik n-gramm-verfahren zum Taggen Parser zur syntaktischen Annotation automatische Verfahren zur Alignierung mathematische/statistische Modelle Korpuslinguistik beschäftigt sich damit, welche linguistischen Fragen anhand (großer) Textmengen behandelt werden können wie diese Texte ausgewählt und akquiriert werden wie sie aufbereitet (annotiert) werden und wie sie durchsucht/bearbeitet werden können (welche mathematischen Modelle für welche Probleme anwendbar sind)