Lösung von lexikalischen Ambiguitäten. in der spanischen Sprache mittels des Formalismus Elag

Transkript

1 Lösung von lexikalischen Ambiguitäten in der spanischen Sprache mittels des Formalismus Elag Abschlussarbeit für das Aufbaustudium Computerlinguistik an der Ludwig-Maximilian-Universität München vorgelegt von Cibrán Beiras Cunqueiro München, März 2005

2 Inhaltsverzeichnis 0 Einleitung... 1 Syntactic Wordclass Tagging... 1 Disambiguierung Unitex Präsentation Textvorverarbeitung Die Satzdelimitierung Die Ersetzung Tokenisierung und Tagging Die Lexika Suche nach regulären Ausdrücken Lokale Grammatiken Der Textautomat Elag Der Formalismus Allgemeines Format Spezialsymbole Anwendung von Grammatiken Grammatikenkompilierung Disambiguierung des Textautomaten Die spanische Sprache Spanisch, Kastilisch oder Kastilianisch? Varianten des Spanischen Chabacano Palenquero Portugnol Judenspanisch Spanisch in Mittel- und Südamerika Spanisch in den USA Spanglish Grammatik Orthographie Das Graphem System Groß- und Kleinschreibung im Spanischen Interpunktion Die Silbentrennung V

3 Die Betonung und die Akzentsetzung Morphosyntax Die spanischen Wortklassen Die Wortstellung Das Korpus Der Vorverarbeitungsgraph. Die Satzdelimitierung Fälle, die einen Satz beenden Fälle, die ein Satzende ausschließen Fälle, die immer einen Satz beenden Fälle, die nie einen Satz anfangen Fälle, die in der Satzmitte oder am Anfang auftreten können Das elektronische Wörterbuch Die neue Kategorisierung des Lexikons. Die POS-Label Adjektive (A): Adverbien (ADV): Konjunktionen (CONJ): Artikel (DET): Interjektionen (INTJ): Substantive (N): Präfixe (PFX): Präpositionen (PREP): Kontraktionen von Präposition und Artikel (PREPDET): Kontraktionen Präposition und Pronomen (PREPPRON): Pronomina (PRON): Verben (V): Das Lexikon der einfachen Formen Das Lexikon der komplexen Formen Normalisierung des Textes. Der Norm.grf-Graph Die Disambiguierungsregeln nach dem Elag-System Pronomen: Akkusativpronomina (pronombres_acus.grf): Reflexivpronomina (pronombres_reflexivos.grf) Reziprokpronomina (pronombres_reciprocos.grf): Allgemeine Pronomina (pronombres.grf): Por qué Pronomen oder Determinator (por_que.grf): Pronomina als Subjekt (pronombres_nom.grf): Pronomina nach einer Präposition (pronombres_prep.grf): Possessivpronomina (pronombres_pos.grf): Unbetonte Pronomina (pronombres_de_verbo.grf): VI

4 Indefinitpronomina (pronombres_indefinidos.grf): Nomen: Akronyme und einfache Namen (sustantivo_no_propio.grf): Eigennamen (nombres_propios.grf): Verben: Verben in Infinitiv (Verbos_infinitivos.grf): Die restlichen Verben (Verbo.grf): Partizipien (conjugaciones_compuestas2.grf): Imperativ (imperativo.grf): Regeln zu Kontraktionen und Komposita: Kontraktionen von Präposition und Artikel (contracciones_prep_det.grf): Kontraktion Al (contracciones_npr.grf): Kontraktionen Präposition und Pronomen (contracciones_prep_pron.grf): Komposita und mehrwortige Einheiten: Regel zu bestimmten Wörtern: Allgemeine Fälle im Singular (casos_generales3.grf): Allgemeine Fälle im Plural (casos_generales_plural.grf): Pronominaler Gebrauch von que (que_pron2.grf): Konjunktionaler Gebrauch von que (que_conj2.grf): Präposition pese a (pese_a.grf): Verb und Präposition pese a (pese_a2.grf): Konjunktion pese a (pese_a3.grf): Präposition entre (entre.grf): Para Präposition und Verb I (para_verbo.grf): Para Präposition und Verb II (para_verbo2.grf): Das Substantiv contra (contra.grf): Die Verben crear und comer (crear.grf): Das Adverb tanto (tanto.grf): Das Adverb incluso (incluso_adv.grf): Die Präposition incluso (incluso_prep.grf): Interjektionen I (intj_y.grf): Interjektionen II (intj2.grf): Schlussfolgerung Literaturverzeichnis Webseiten Anhang I: CD VII

5 0 Einleitung 0 Einleitung Ein wichtiger Bereich der Computerlinguistik ist die Annotation von Textsammlungen (annotierte Korpora). Diese sind sowohl für die Forschung als auch für Natural Language Processing (NLP, Verarbeitung Natürlicher Sprachen) interessant. Der Versuch, diese Aufgabe automatisch zu erfüllen, erweist sich leider als nicht gerade leicht. An der Spitze dieser Versuche steht das Syntacting Wordclass Tagging, die Zuschreibung von morphosyntaktischen Eigenschaften zu Wörtern eines Korpus (Halteren, 1999). Syntactic Wordclass Tagging Morphosyntaktische Informationen werden einem Wort mittels eines Tags zugeschrieben. Aus den Bereichen der Sprachwissenschaft, die traditionell für die Klassifikation von Worten ausgewählt worden sind - Phonologie, Morphologie, Syntax, Semantik und Pragmatik-, spielen die Morphologie und vor allem der Syntax die wichtigste Rolle. Die Tags werden daher oft Part-of-Speech-Tags (kurz POS) genannt. Die Klassifikation von Wörtern, die eine lange Geschichte aufweist 1, ist nicht mal in der gleichen Sprache einheitlich. Jeder Tagger unterscheidet verschiedene Wortklassen. Diese Wortklassen werden normalerweise in weitere Unterkategorien geteilt, um eine feinere Klassifizierung der Wörter zu erreichen. Je feiner diese Klassifizierung gemacht wird, desto mehr Tags werden dem Wort zugeschrieben. Unterscheidet ein Tagger nur Wortklassen (N, A, PRON...), vergibt z. B. dem Verb spielen das Tag V. Eine Unterscheidung weiterer Kategorien (Modus, Tempus, Person, Numerus...) führt bei den meisten Worten zu einer Zuweisung mehrerer Tags (spielen = Infinitiv, 1. Person Plural des Präsens, 3. Person Plural des Präsens). Dieses Phänomen ist in der Sprachwissenschaft als Ambiguität bekannt. Der letzte Schritt eines Taggers ist, diese Ambiguität so weit wie möglich aufzulösen. Diese Phase, die Disambiguierung genannt wird, bildet den Schwerpunkt dieser Arbeit. 1 Siehe Atro Voutilainen, in Halteren

6 0 Einleitung Die typischen Module eines Taggers sind die Folgenden 2 : Tokenizer: Segmentierung von Texten in Wörter und Satzzeichen. Morphologischer Analysator (Erzeugung von Ambiguitäten) Lexikalischer Analysator Analysator von unbekannten Wörtern ( guesser ) Morphologischer Disambiguierer (Auflösung von Ambiguitäten) Grammatik Heuristische Grammatik(en) Disambiguierung Für die Auflösung von Ambiguitäten sind zwei unterschiedliche Methoden bekannt: der datengetriebene statistische Ansatz und der linguistische. Hybride Verfahren integrieren beide Ansätze. Bei der datengetriebenen Methode werden die Ambiguitäten im Wesentlichen durch statistische Ermittlung von Kookurrenzen von Wörtern in großen Korpora aufgelöst. Diese Trainings-Korpora werden in der Regel manuell von Sprachwissenschaftler getaggt. Hierbei kommen verschiedene statistische Verfahren zum Einsatz wie Kollokationsmatrizen, Markovs Modellen, lokale Regeln oder neuronale Netzen (Voutilainen in Halteren 1999). Im Gegensatz dazu werden die Ambiguitäten bei der linguistischen Methode durch Expertenregeln aufgelöst. Zwei Unterschiede werden gemacht in der Art und Weise, wie die Regeln geschrieben werden, nämlich negativ, durch die Beschreibung verbotener Sequenzen von Tags (Roche 1992), und imperativ, mit Konditions- und ein Aktionsteil (Silberztein). Die vorliegende Arbeit basiert auf dieser letzten Methode. Weitere Charakteristika der linguistischen Methode sind 3, dass eine wertvolle Grammatik zu erzeugen, nicht so lange dauert, wenn auf das Lexikon, Tagset und Korpus geachtet wird und dass ein Recall (Anteil der Wörter, denen ein korrekter Tag zugewiesen wird) von über 99% nicht schwer erzielbar ist. Entgegengesetzt verlangt eine Präzision (Precision: Anteil der Wörter, die disambiguiert werden) von über 95% große Mühe. Eine Grammatik zu korrigieren und zu verbessern, ist auch nicht besonders schwierig und sie kann um nicht-linguistische Methode erweitert werden. 2 Nach Atro Voutilainen, Halteren Nach Atro Voutilainen, Halteren

7 0 Einleitung Auf der anderen Seite braucht die statistische Methode doch ein sorgfältig annotiertes und langes Ausbildungskorpus, nach welchem viel menschliche Arbeit nicht mehr gebraucht wird. Nach dieser Methode kann eine vollständige und korrekte Disambiguierung von bis 95-97% erfolgen, was wesentlich sinkt, wenn der Input-Text aus einem Bereich ist, der im Training-Korpus nicht angemessen dargestellt ist. Auf alle Fälle ist eine Genauigkeit (Accuracy: Pronzent der Wörter, die ein korrektes Tag erhalten, wenn sie erzwungen werden, unambig zu bleiben) von über 97% äußerst schwer zu erreichen

8 1 Unitex 1 Unitex In diesem ersten Kapitel wird das Programm Unitex erklärt. Dies sollte nicht als Manual oder Bedienungsanleitung verstanden werden, sondern eher als kurze, allgemeine Beschreibung, besonders derjenigen Tools, die in dieser Arbeit genutzt werden. Nach diesem Prinzip werden also keine Anleitungen zur Installation oder zu DELAS (Lexikon der unflektierten Formen) gegeben. 1.1 Präsentation Das Unitex ist ein Korpusverarbeitungssystem, das erlaubt, mit elektronischen Mitteln zu arbeiten wie elektronischen Lexika, lokalen Grammatiken, usw. Es wird auf drei Ebenen gearbeitet: Morphologie, Lexikon und Syntax. Die Hauptfunktionen sind die Folgenden: -elektronische Wörterbücher erzeugen, verarbeiten und anwenden; -Benutzung von Regulären Ausdrücken zum Pattern Matching; -Anwendung von lokalen Grammatiken; -Auflösung von Ambiguitäten über den Text-Automaten. Die Idee ist am LADL (Laboratoire d'automatique Documentaire und Linguistique) unter der Leitung von Maurice Gross entstanden und die Software am Institut Gaspard-Monge (IGM) von der Université de Marne la Vallée von Sebastien Paumier entwickelt worden. Weitere Eigenschaften des Unitex bestehen darin, dass es erlaubt, all die Charaktere aller möglichen Sprachen zu benutzen, und dass es eine freie Multisystem-Software ist. 1.2 Textvorverarbeitung Nachdem Unitex mit der gewählten Sprache gestartet worden ist, kann man einen in Unicode Little- Endian Text öffnen. Dabei wird gefragt, wie der Text vorverarbeitet werden soll. Die Textvorverarbeitung von Unitex setzt sich zusammen aus Satzdelimitierung, Ersetzung der eindeutigen Formen und Tokenisierung durch Lexikonanwendung Die Satzdelimitierung Die Satzdelimitierung muss mittels eines Graphen beschrieben werden. Dieser Graph ist von Sprache zu Sprache wegen der Benutzung verschiedener Symbole anders. Spezielle Symbole für den Graph sind: - 4 -

9 1 Unitex <E>: erkennt die leere Sequenz; <MOT>: erkennt jede Buchstabenfolge; <MIN>: erkennt jede klein geschriebene Buchstabenfolge; <MAJ>: erkennt jede groß geschriebene Buchstabenfolge; <PRE>: erkennt jede Buchstabenfolge, deren Anfangsbuchstabe groß geschrieben ist; <NB>: erkennt jede ungetrennte Ziffernfolge; <PNC>: erkennt die Interpunktionszeichen ;,!?., sowie die umgedrehten Frage- und Ausrufezeichen des Spanischen und bestimmte asiatische Interpunktionszeichen; <^>: erkennt einen Zeilenumbruch; #: verbietet das Vorkommen des Leerzeichens und Zeilenumbruchs; Der Graph zur Satzdelimitierung im Spanischen befindet sich auf Seite Die Ersetzung Die Ersetzung erlaubt, all die eindeutigen Formen zu verarbeiten. Eine mögliche Anwendung sind die Zerteilung von Kontraktionen (vom in von dem) 4. Ein Graph für die Ersetzungsfunktion (Replace) im Spanisch könnte wie folgt aussehen. Eine Anmerkung soll da gemacht werden, dass nur die kleingeschriebenen Kontraktionen ersetzt würden. 4 In der vorgestellten Arbeit ist auf diese Funktion verzichtet worden, denn nicht alle Kontraktionen sind eindeutig. Da zwei Kategorien erzeugt werden mussten (PREPDET für al, wo es sich um eine Kontraktion handeln kann oder um einen Teil der arabischen Eigennamen, und PREPPRON für consigo, bei dem es zur Ambiguität zwischen der Kontraktion und der 1. Person Singular des Präsens Indikativ des Verbs conseguir kommt), wird es auf diese Funktion verzichtet. Diese Fälle werden erst bei der Normalisierung vor der Konvertierung in den FST-Text behandelt

10 1 Unitex Abbildung 1.1: Ein möglicher Ersetzungsgraph Tokenisierung und Tagging Die Lexikonanwendung tokenisiert und taggt den Text mittels der Defaultlexika, die normalerweise aus einem Simplex-Lexikon und einem Lexikon der komplexen Formen besteht. Abbildung 1.2: Die Lexikaanwendung Die Lexika können später gewechselt und angewendet werden, indem man im Textmenü Apply Lexical Resources... wählt. 1.3 Die Lexika Unitex benutzt elektronische Wörterbücher in DELA-Format (Dictionaires Electroniques du LADL). Auf dieser Basis gibt es vier Arten von Wörterbüchern: DELAF (DELA der flektierten Formen), DELACF (DELA der flektierten komplexen Formen), DELAS (DELA der unflektierten Formen) und DELAC (DELA der unflektierten komplexen Formen). In diesem Abschnitt wird nur das Format des ersten - 6 -

11 1 Unitex Wörterbuchs erläutert, denn nur das Wörterbuch der flektierten Formen benutzt wird und das DELACF die gleiche Struktur hat wie das DELAF. Ein Lexikoneintrag könnte so aussehen: diccionarios,diccionario.n+com:mp/ejemplo diccionarios ist die flektierte Form; diccionario ist die Grundform. Bei Nomen, Adjektiven und Pronomen wird normalerweise maskulin singular, bei Verben der Infinitiv benutzt; N+Com ist die grammatikalische und semantische Kategorie; :mp gibt Information über die Flektion; /ejemplo ist ein Kommentar. Im Wörterbuch der komplexen Formen werden Wörter eingetragen, die durch ein Leerzeichen oder andere Interpunktionszeichen getrennt sind. Da es Verwechslung verursachen könnte, müssen der Punkt und das Komma so wie andere Zeichen, die im Tag verwendet werden, mit einem \ geschrieben werden 5 : Ruiz-Gallardón,.N+Npr cóctel molotov,.n+com:ms http//\:www\.cis\.uni-muenchen\.de 1.4 Suche nach regulären Ausdrücken Die Möglichkeit, reguläre Ausdrücke in einem Text zu suchen, ist zweifellos eine praktische und schnelle Hilfe für die Textverarbeitung. Nicht zuletzt erleichtert es die Suche nach dem Kontext bestimmter Wörter. Zunächst wird diese Funktion grob dargestellt. Ein regulärer Ausdruck kann aus Folgendem bestehen: -einer lexikalischen Einheit (manzana) oder einem Motiv (<comer.v>); -einer Konkatenation von zwei regulären Ausdrücken (ellos comen); -einer Verbindung von zwei regulären Ausdrücken (fruta+madura); -dem Kleene-Stern (manzano*). Die speziellen Symbole sind die gleichen wie die der Graphen: <E>, <MOT>, <MIN>, <MAJ>, <PRE>, <NB>, # und <DIC>. 5 Weitere Besonderheiten sind in der Bedienungsanleitung beschrieben

12 1 Unitex Die Suche in den Lexika geschieht folgendermaßen: <correr>: erkennt all die Einträge, die correr als Grundform haben; <correr.v>: erkennt all die Einträge, die correr als Grundform haben und ein Verb sind; <V>: erkennt die Einträge, die ein Verb sind; <corren,correr.v>: erkennt all die Einträge, die corren als flektierte Form und correr als Grundform haben und die Verb sind. 1.5 Lokale Grammatiken Lokale Grammatiken werden mit Hilfe von Graphen ausgedrückt. Da sie in dem dritten Kapitel ausführlich erläutert werden, seien hier lediglich ein Paar kleine Anmerkungen erwähnt. Der Graph zur Satzdelimitierung heißt standardmäßig Sentence.grf und liegt im Verzeichnis Graphs/Preprocessing/Sentence unter der entsprechenden Sprache. Der Graph zur Ersetzung der unambigen Formen wird standardmäßig Replace.grf genannt und ist in Graphs/Preprocessing/Replace zu finden. Diese beiden Graphen arbeiten auf Basis von Characters und Spezialsymbolen, nicht auf Basis von Lexikoneinträgen, denn diese sind zu diesem Zeitpunkt noch nicht verfügbar. Der Graph zur Normalisierung heißt standardmäßig Norm.grf und liegt in Graphs/Normalization. Er ersetzt ein Wort durch den entsprechenden Lexikoneintrag. Die Graphen für die Elag-Regeln sind im Verzeichnis Elag zu finden und haben ein anderes Format, das ausführlicher im nächsten Kapitel beschrieben wird. 1.6 Der Textautomat Der Textautomat ist ein praktisches Werkzeug zum Erkennen und zur Auflösung der Ambiguitäten. Er wird über den Textmenü, Unterpunkt Construct FST-Text... erzeugt Nach Erscheinen des Textes kann man die Elag-Regeln anwenden, indem man auf den linken Knopf Elag drückt und auf Open Elag Frame, um das Ergebnis zu sehen

13 2 Elag 2 Elag Elag steht für Elimination of Lexical Ambiguities by Grammars und ist ein INTEX-kompatibler Formalismus, um Distributionsbeschränkungen zu kodieren. Elag nutzt den nächstumgehenden Kontext eines Wortes, um Ambiguitäten zu entfernen. Dies bringt mit sich, dass manche Ambiguitäten erst beim Syntax-Parsing gelöst werden können. In diesem Kapitel wird gezeigt, wie die Elag-Regeln geschrieben und angewendet werden. 2.1 Der Formalismus Elag-Grammatiken bestehen aus zwei Teilen: dem Konditionsteil ( wenn ) und dem Aktionsteil ( dann ). Der wenn Teil wird von dem Symbol <!> abgegrenzt und beschreibt den Kontext, bei dem die Regel angewendet wird. Der dann Teil wird seinerseits von dem Symbol <=> umgeben und beschreibt Beschränkungen, die nachgeprüft werden sollen. Ein dritter Feldtrenner kommt bei den beiden Teilen. Dieser ermöglicht, den Kontext und die Einschränkungen zu synchronisieren, wenn sie nicht die gleichen Wörter beeinflussen. Abbildung 2.1: Eine simple synchronisierte Regel Diese Regel wird folgendermaßen gelesen: wenn ein Verb (V) im Imperativ (Y) auftritt, muss davor ein Interpunktionszeichen (<PNC>) stehen. Bei ambigen Formen eines Verbs wie come,comer.v:y2s:p3s wird das Imperativ in dem Satz El chico come mucho z. B. weggelassen, denn es gibt keinen Punkt vor dem Verb

14 2 Elag 2.2 Allgemeines Format Elag-Markierungen werden lexikalische Masken genannt. Eine lexikalische Maske ist ein Schema zwischen spitzen Klammern, das nach DELA-Konvention zumindest aus einem part of speech (POS) und eventuell auch aus anderen syntaktischen oder flektierenden Eigenschaften besteht: <(lemma.)*pos(+feat)*(:inflex)*> (lemma )* ist entweder eine Grundform (pescado und nicht pescados) oder die Negierung eines oder mehrerer Grundformen (!fruta!carne); POS gibt das part of speech an (ADV, N, V...); (+feat)* ist eine mögliche Sequenz von syntaktischen Eigenschaften (+Com, +Npr, +Sig...); (:inflex)* ist eine mögliche Sequenz von Flektionseigenschaften (:fp, :Y2s, P...). Beispiele: <pescado.n> findet all die Substantive mit der Grundform pescado. Nicht also <pescado,pescar.v:kms>. <V:P> liefert all die Verben im Präsens, unabhängig von Person und Numerus. <!en!para.prep> erkennt alle Präpositionen bis auf en und para. Spezialsymbole <PNC> erkennt alle Interpunktionszeichen. <?> trifft jedes unbekannte Wort. <NB> findet alle Zahlen. <.> findet alle Tokens: Wörter, Ziffern und Interpunktionszeichen. {S} erkennt das Ende oder den Anfang eines Satzes. <!POS> 6 erkennt alle Tokens mit Ausnahme der angegebenen POS. Die Angabe von syntaktischen oder flektierenden Eigenschaften wird untersagt. Besteht die Kategorie N aus +Com, +Sig und +Npr und will man alle bis auf +Com, muss man dann es folgendermaßen schreiben: <!N>+<N+Sig>+<N+Npr>. 2.3 Anwendung von Grammatiken An dieser Stelle werden die Funktionen des Elag Interface gezeigt. Es werden auch die grundsätzlichen Schritte zur Disambiguierung erläutert. 6 Damit ist jede einzelne Wortkategorie gemeint: <!N>, <!V>, <!A>

15 2 Elag Grammatikenkompilierung Die geschriebenen Elag-Regeln müssen erst ins.rul Format umgesetzt werden, um sie anwenden zu können. Dafür wird das Elag Interface im Menü Text beim Klicken der Taste Elag Rules geöffnet. Abbildung 2.2: Die Elag-Anwendung Standardmäßig wird die Liste elag.lst geöffnet und nicht pronombres.lst, wie links oben auf der Abbildung steht. Man kann verschiedene Listen erstellen und sie unabhängig voneinander anwenden. Die Graphen, die selbst in.fst2-format kompiliert werden sollen, werden durch das Klicken der Taste >> in die Liste hinein- und durch << herausgeschoben. Die Kompilierung der Regeln erfolgt, nachdem man die Taste compile gedrückt hat Disambiguierung des Textautomaten Die Disambiguierung findet statt, in dem man im Textautomaten auf die Taste Elag klickt und die gewünschte kompilierte Regel aktiviert. Das Ergebnis der Disambiguierung kann man sehen, indem der Knopf Open Elag Frame gedrückt wird. Möchte man erst dann andere Regeln anwenden, kann man die Taste Replace anklicken. Der Automat erscheint jetzt auf der oberen Seite und ist bereit, weitere Verarbeitungen anzunehmen

16 3 Die spanische Sprache 3 Die spanische Sprache In diesem Teil der Arbeit wird eine Einführung in die spanische Sprache gegeben. Der erste Punkt stellt die wichtigsten Eckpunkte zu dieser Sprache vor. Im zweiten Punkt werden die verschiedenen Varianten des Spanischen dargestellt und im dritten wird die Sprache linguistisch erläutert. Während eine allgemeine Vorstellung der Sprache und ihrer Varianten zwar interessant sein mag, ist nur der dritte Punkt wirklich wichtig für ein besseres Verstehen der vorliegenden Arbeit. Der schnelle Leser kann also die zwei ersten Punkte überspringen. 3.1 Spanisch, Kastilisch oder Kastilianisch? Spanisch 7 ist eine indoeuropäische Sprache, gehört zum romanischen Zweig und dort die meistgesprochene romanische Sprache. Gemeinsam mit dem Portugiesischen, dem Galicischen und dem Katalanischen wird sie sehr oft in die engere Einheit des Iberoromanischen eingeordnet. Spanisch wird gegenwärtig von ca. 360 Millionen Menschen als Muttersprache gesprochen, und hat damit 20 Millionen Muttersprachler mehr als das Englische. Die meisten Sprecher leben in Süd- und Mittelamerika. Wenn man die Sprecher, die Spanisch als Zweitsprache haben, dazurechnet, beläuft sich die Anzahl der Spanischsprechenden auf ca. 420 Millionen. Damit ist Spanisch nach Mandarin-Chinesisch, Hindi und Englisch- die am vierthäufigsten gesprochene Sprache der Welt. Die spanische Schriftsprache wurde von der Region Kastilien (span. Castilla) in Zentralspanien geprägt. Kastilisch oder Kastilianisch ist daher neben Spanisch eine gültige Bezeichnung für die Sprache. In Spanien wird eher die Bezeichnung Spanisch (español) benutzt. In Süd- und Mittelamerika dagegen wird die Bezeichnung Kastilisch/Kastilianisch (castellano) bevorzugt, damit keine direkte Verbindung mit dem Land entsteht. Offiziell sind beide gültig, wobei eher die kastilische bzw. kastilianische Sprache als die Schrift- und Nationalsprache der gesamten Spanisch sprechenden Länder gilt. In der vorliegenden Arbeit wird aber von Spanisch gesprochen, da in Deutschland diese Bezeichnung verbreiteter ist. 7 Auf Spanisch: español oder castellano

17 3 Die spanische Sprache In Spanien gibt es vier offizielle Sprachen: Kastilisch, Katalanisch, Galicisch und Baskisch: Baskisch 8 ist die westlichste Sprache Europas, die nicht zur indogermanischen Sprachfamilie gehört. Heute wird Baskisch von etwa Basken gesprochen. Die meisten davon leben südwestlich der spanisch-französischen Staatsgrenze und ein kleinerer Teil nordöstlich davon. Katalanisch 9 wird von circa Menschen in Spanien gesprochen. Sie leben in Katalonien, Valencia, Aragón oder auf den Balearen. Galicisch 10 wird in der unabhängigen Gemeinschaft Galiciens von ungefähr Menschen gesprochen. Das Spanische ist nicht nur die Amtsprache von Spanien, ein Land mit 27 Millionen Einwohnern, sondern auch von folgenden Ländern 11 : Äquatorialguinea (11.500) Argentinien ( ) Bolivien ( ) Chile ( ) Costa Rica ( ) Dominikanischer Republik ( ) Ecuador ( ) El Salvador ( ) Guatemala ( ) Honduras ( ) Kolumbien ( ) Kuba ( ) Mexiko ( ) Nicaragua ( ) Panama ( ) Paraguay ( ) Peru ( ) Uruguay ( ) Venezuela ( ) In Klammern ist die Anzahl der Muttersprachler

18 3 Die spanische Sprache USA (regional, ) In der britischen Kolonie Gibraltar ist Spanisch neben Englisch ebenfalls die offizielle Sprache. Aufgrund der kolonialen Geschichte von Spanien wird die Sprache auch in weiteren Gebieten gesprochen: Andorra, Belize, Marokko, Niederländische Antillen, Philippinen, Trinidad und Tobago und Westsahara. 3.2 Varianten des Spanischen Chabacano Chabacano ist der Sammelbegriff für die philippinischen spanischbasierten Kreolsprachen. Ungefähr 90% ihrer Wörter sind spanischer Abstammung. Chabacano gelangte im 17. Jahrhundert von den Gewürzinseln auf die Philippinen und ist die Muttersprache von etwa Sprechern Palenquero Palenquero ist eine spanischbasierte Kreolsprache, die in Kolumbien von circa 4000 Menschen gesprochen wird Portugnol Portugnol ist die Mischsprache aus Portugiesisch und Spanisch und wird dort gesprochen, wo Spanischsprachige und Portugiesischsprachige aufeinander treffen, d.h. auf der iberischen Halbinsel, in Südamerika und in Ländern wie Japan, wo sich gleich viele Einwanderer und Gastarbeiter der beiden Sprachregionen treffen. Portugiesischsprachige und Spanischsprachige kommunizieren häufig in Portugnol, und nicht in einer reinen Version ihrer beiden Sprachen oder in einer dritten für beide Fremdsprachen. Da beide Sprachen sehr viele Ähnlichkeiten in der Grammatik und im Wortschatz haben, gibt es sehr wenig Anreiz für Portugiesisch- und Spanischsprachige, die andere Sprache explizit zu lernen Judenspanisch Judenspanisch 12, das Sephardische oder Ladino ist die Sprache der 1492 aus Spanien ausgewiesenen sephardischen Juden. Diese Sprache wird heute von etwa Menschen

19 3 Die spanische Sprache gesprochen, hauptsächlich in Israel und in der Türkei. Außerhalb dieser beiden Länder gibt es Sprecher vor allem in Griechenland, Bulgarien und dem ehemaligen Jugoslawien. Judenspanisch weist dabei eine starke Verwandtschaft mit dem im Mittelalter gesprochenen Altspanischen auf. Es ist nirgendwo die offizielle Sprache und seine Sprecher sprechen eine weitere Sprache fließend. Das Sephardische wird hauptsächlich mit lateinischen Buchstaben geschrieben. Vereinzelt findet man die Sprache mit dem hebräischen Alphabet geschrieben und früher mal ist auch das kyrillische und das griechische Alphabet auch verwendet worden Spanisch in Mittel- und Südamerika Das hispanophone Amerika erstreckt sich von Mexiko bis Feuerland und umfasst 19 Länder: Dominikanische Republik, Kuba, Mexiko, Guatemala, El Salvador, Honduras, Nicaragua, Costa Rica, Panama, Kolumbien, Venezuela, Ecuador, Peru, Bolivien, Puerto Rico, Argentinien, Uruguay, Paraguay und Chile. Es handelt sich um ein sehr großes geographisches Gebiet, und seit der Kolonialisierung durch die Spanier sind Jahrhunderte vergangen, deswegen weist die spanische Sprache in Mittel- und Südamerika sehr viele und starke Abweichungen zu der in Spanien auf. Man findet auch Unterschiede in den Sprachen der einzelnen amerikanischen Länder. Das argentinische Spanisch wird als die am weitesten entfernte Variante des Spanischen angesehen. Diese Unterschiede sind zwischen der Variante in Spanien und dem zentral- und südamerikanischen Spanischen in der Schrift- und Verkehrsprache nicht sehr groß. Auch wenn sich die Dialekte der einzelnen Länder auf dem Gebiet der Grammatik nicht sehr stark unterscheiden, so weisen sie sowohl in der Aussprache, als auch im Vokabular Unterschiede auf. Viele spanische Wörter haben in Amerika einen Bedeutungswandel durchgemacht. Folgende Unterschiede kann man festhalten: Der stimmlose s Laut. Während in Spanien ein z oder ein c vor einem i und e als stimmloses th ausgesprochen wird, wird es in der lateinamerikanischer Aussprache zu einem stimmlosen s. Statt der Vergangenheitsform Pretérito Perfecto wird in Zentral- und Südamerika das Pretérito Indefinido benutzt. In Lateinamerika wird meistens anstatt des Personalpronomens der zweiten Person Singular (tú) das vos verwendet. Das spanische tú eres, das in der zweiten Person Plural vosotros sois lautet, wird durch vos sos ersetzt. Als Konsequenz daraus, dass die zweite Person Singular tú durch das vos ersetzt worden ist, wird die spanische zweite Person Plural vosotros durch die dritte Person Plural ersetzt

20 3 Die spanische Sprache Es gibt lexikalische Abweichungen 13 : Deutsch Spanisch Südamerikanisch Kellner camarero mozo Butter mantequilla manteca Erdbeere fresa frutilla Kühlschrank nevera heladera Rock falda pollera Auto coche carro oder auto (Arg.) Banane plátano banana Benzin gasolina nafta (Argent.) Eimer cubo balde Tabelle 3.1: Bezeichnungsunterschiede Spanisch in den USA Die spanische Sprache ist nach Englisch die zweithäufigste Sprache in den USA. Wie schon erwähnt beträgt die Anzahl der Sprecher Aufteilung der Spanisch sprechende Bevölkerung: Florida. Die Menschen, die in Florida Spanisch sprechen, sind hauptsächlich Kubanischer Abstammung. Sie kamen nach Florida vor und nach der Revolution. Südwesten der USA (California, Arizona, Texas, Neu-Mexico und Colorado). Hauptsächlich Spanischsprechende mexikanischer Abstammung Nordwesten der USA. Vorwiegend Puertoricaner Louisiana. In vier isolierten Ortschaften dieser Region wird ein spanischer Dialekt, der auf die Mundart von den Kanarischen Inseln basiert, gesprochen Spanglish Spanglish ist eine vermischte Variante des Englischen und des Spanischen, die von der Bevölkerung

21 3 Die spanische Sprache der USA sehr oft gesprochen wird. Am meisten wird es in New York City, Los Angeles, Florida oder im Grenzgebiet von Mexiko und der USA gesprochen. z.b. Llamar para atrás (=zurückrufen, aus dem Englischen call back ) Te veo (=bis bald, aus dem Englischen see you ) Lonchar (=Zu Mittag essen, aus dem Englischen to have lunch) Wachar (=sehen, zusehen, aus dem Englische to watch ) Baquiar (=zurückstoßen, aus dem Englischen to back up ) Viaje redondo (=Hin- und Rückfahrt, aus dem Englischen round trip ) Tuvimos un buen tiempo (=Wir hatten eine gute Zeit, aus dem Englischen we had a good time ) Cómo te gusta? (= Wie gefällt es Dir?, aus dem Englischen how do you like it? ) 3.3 Grammatik Im Folgenden werden die Grammatikeigenschaften des Spanischen allgemein erläutert, insbesondere die Fälle, die auf irgendeiner Weise unterschiedlich zum Deutsch sind. Der erste Teil beschäftigt sich mit der Orthographie. Hier werden das Alphabet, die Groß- und Kleinschreibung, die Interpunktion, die Silbentrennung und die Betonung des Spanischen erklärt. Interessanter für die Arbeit ist der zweite Teil, der sich der Morphologie und der Syntax widmet. In diesem Abschnitt werden die Wortklassen, Wortstellung und Satzglieder allgemein erläutert Orthographie Das Graphem System Das Graphem System der spanischen Sprache besteht aus einem Alphabet von 29 Buchstaben, das durch Diachritika zur Markierung von Betonung und Palatalisierung und Interpunktionen vervollständigt wird. Typen Name A, a A B,b Be C, c Ce Ch, ch Che D, d De E, e E F, f Efe

22 3 Die spanische Sprache G, g Ge H, h Hache I, i I J, j Jota K, k Ca L, l Ele Ll, ll Elle M, m Eme N, n Ene Ñ,ñ Eñe O, o O P, p Pe Q, q Cu R, r ere oder erre S, s Ese T, t Te U, u U V, v uve oder ve W, w uve doble X, x Equis Y, y i griega, ye Z, z Zeta Tabelle 3.2: Das spanische Alphabet Anmerkungen: Die spanische Sprache verfügt über 24 Konsonanten: b, c, ch, d, f, g, h, j, k, l, ll, m, n, ñ, p, q, r, s, t, v, w, x, y und z und fünf Vokale: a, e, o, i, u. a, e, o sind starke Vokale, i und u sind schwache Vokale und y kann ein Halbvokal oder Halbkonsonant sein. Ch und ll sind keine Buchstabenkombinationen, sondern gelten als ein Buchstabe. rr gilt dagegen nicht als eigener Buchstabe, sondern als die einzige echte Verdoppelung im Spanischen. Alle drei werden nie getrennt. Zwei gleiche Buchstaben (außer ll und rr ) kommen selten vor. Die Ausnahmen entstehen aus dem Zusammentreffen zweier Silben: z.b. cc ee lec-ción le-er

23 3 Die spanische Sprache nn oo in-noble co-operación In den Buchstabenkombinationen gue und gui wird das u nicht ausgesprochen. Um in einzelnen Wörtern aber die Aussprache von u zu erzwingen, wird der u mit dem Trema (Diéresis) versehen: ü. Zu vergleichen pingüino águila. Zur Markierung von Palatalisierung wird die Tilde (~) bei dem großgeschriebenen Ñ immer gesetzt Groß- und Kleinschreibung im Spanischen Ein Großbuchstabe wird immer am Anfang des Satzes und bei Eigennamen verwendet. Unter Eigenname werden die Namen von Personen, Ländern, Städten, Regionen, Bergen, Festen usw. verstanden. z.b. Pedro Sevilla los Alpes España la Patagonia Navidad, Pascuas Weiterhin werden Bezeichnungen von Institutionen und öffentlichen Ämtern - wenn sie sich auf eine konkrete Person beziehen-, Studienfächer, Wissenschaften und die Abkürzungen von Titelnamen großgeschrieben. z.b. la Universidad de Madrid el Rey, el Papa Filosofía, Física Sr. -> señor Sra. -> señora Srta. -> señorita Ud./Vd. -> usted D. -> don Dª -> doña Kleingeschrieben werden die meisten Substantive, die Nationalitäten und Volksbezeichnungen, die Sprachen, die Monate, die Wochentage und die Jahreszeiten

24 3 Die spanische Sprache z.b. la madre los alemanes griego abril, junio domingo, lunes invierno, verano Interpunktion Es gibt keinen großen Unterschied zwischen der spanischen und resteuropäischen Interpunktion. Charakteristisch für die spanische Sprache ist, dass der Beginn einer Frage mit einem umgedrehten Fragezeichen und der Beginn eines Ausrufs mit einem umgedrehten Ausrufezeichen gekennzeichnet werden. -Der Punkt wird verwendet: am Ende eines Satzes; bei Abkürzungen; um große Zahlen in dreier Gruppen von dreier zu unterteilen. -Das Komma wird verwendet: zur Kennzeichnung von Pausen: zur Kennzeichnung der Satzmelodie; um Adverbien und Adverbiale Ausdrücke abzutrennen; vor Nebensätze, die am Anfang eines Satzes stehen; nach dem Gerundiv, wenn es am Satzanfang steht und als Nebensatzverkürzung verwendet wird; vor Relativsätzen, die den Sinn des Satzes nicht verändern; wenn ein Verb ausgelassen wird. -Der Doppelpunkt wird verwendet: um direkte Rede einzuleiten; vor einer Liste von Wörtern; häufig in der Briefanrede. -Der Bindestrich wird verwendet: um zwei Wörter zu verbinden;

25 3 Die spanische Sprache um ein Wort am Ende einer Zeile zu teilen. -Die Klammern werden verwendet: um ein Wort oder eine Phrase auszuschließen, die auf den Inhalt des Satzes keinen Einfluss hat und nur zur Erläuterung dient. -Die Gedankenpunkte werden verwendet: um zu zeigen, dass ein Satz inhaltlich nicht zu Ende geführt ist. -Der Bindestrich wird verwendet: um zwei Wörter zu verbinden. um ein Wort am Ende einer Zeile zu teilen -Die Fragenzeichen (?) werden verwendet: am Anfang und am Ende eines Fragensatzes; in Klammern nach einem Wort eines Satzes, um Ungewissheit auszudrücken. -Die Ausrufezeichen (!)werden verwendet: am Anfang und am Ende eines Ausrufesatzes. Anmerkungen 14 : Ein Satz kann sowohl als Frage als auch als Ausrufesatz gemeint sein. In diesem fall können Fragezeichen und Ausrufezeichen kombiniert werden: z.b. Qué suerte tienes! Der mehrfache Gebrauch von Ausrufe- und Fragezeichen ist im Spanischen möglich. z.b. iiibasta!!! 14 Bruyne, Jacques de: Spanische Grammatik, Niemeyer, Tübingen, S. 24ff

26 3 Die spanische Sprache i Tu, quién eres?! Die Silbentrennung Bei der Silbentrennung gelten folgende Regeln: Ein Konsonant zwischen zwei Vokalen gehört zur zweiten Silbe. ch, ll, und rr sind ein Laut und werden nie getrennt. Diphthonge werde nicht getrennt, aber Verbindungen, wo ein betontes i oder u vorkommen, sind keine Diphthonge mehr und daher sind sie trennbar. Die Vokale a, o und e, wenn sie aufeinander treffen können getrennt werden. Drei Konsonanten werden nach dem zweiten getrennt. Zwei Konsonanten werden getrennt. Folgende Konsonantenverbindungen werden nie getrennt: br bl cr cl dr fr fl gr gl pr pl tr tl Tabelle 3.3: Untrennbare Konsonantenverbindungen Die Betonung und die Akzentsetzung Im Spanischen werden die Wörter auf der letzten, vorletzten oder drittletzten Silbe betont. Akzent auf der Zweisilbig dreisilbig viersilbig letzten Silbe 22% 20% 9% vorletzten Silbe 78% 74% 80% drittletzten Silbe - 6% 11% Tabelle 3.4: Akzentuierung im Spanischen Für die Betonung gelten die folgenden Regeln: Wörter, die auf Konsonant außer n und s enden, werden auf der letzten Silbe betont. Wörter, die auf nicht betontem Vokal sowie n und s enden, werden auf der vorletzten Silbe betont. Wenn die Betonung nach den vorgenannten Regeln auf eine Silbe mit Diphthong fällt, wird der starke Vokal betont

27 3 Die spanische Sprache Wenn der Diphthong aus zwei schwachen Vokalen besteht, wird der letzte Vokal betont. Wörter, die von diesen Regeln abweichen, müssen auf dem betonten Vokal einen Akzent tragen. Die Akzentsetzung dient auch zur Bedeutungsunterscheidung: z.b. trabajo (ich arbeite, die Arbeit) hable (sprich) trabajó (er/sie arbeitete) hablé (ich sprach) Einsilbige Wörter tragen in der Regel keinen Akzent, aber Homonyme erhalten einen Unterscheidungsakzent: z.b. té (Tee) él (er) mí (mich, mir) sé (ich weiß) te (Dich, Dir) el (der) mi (mein) se (sich) Das spanische Wort für oder ist o. Zwischen Zahlen trägt das o einen Akzent 6 ó 9, damit 6 oder 9 nicht mit 609 verwechselt wird. Sehr selten werden Wörter auf der viertletzten Silbe betont. Es handelt sich dabei um zusammengefasste Wörter. z.b. mándamelo (schick es mir) admirábasele (man bewunderte an ihm) Wenn aus zwei oder mehr Wörtern, die keinen Akzent tragen, eine auf der drittletzten Silbe betonte Form entsteht, muss der Akzent dann gesetzt werden. z.b. sépalo (dass Sie es wissen) dámelo (gib es mir) Bei großgeschriebenen akzentuierten Wörtern wird weiterhin der Akzent gesetzt, obwohl es sehr oft in Texten vorkommt, dass der Akzent weggelassen wird. Schließlich tragen alle Frage- und Ausrufewörter einen Akzent, auch in der indirekten Rede

28 3 Die spanische Sprache z.b. qué? quién? dónde? Morphosyntax Die spanischen Wortklassen Weit vom Versuch entfernt, eine lange und tiefe Beurteilung der verschiedenen Wortartenklassifizierungen (und damit der verschiedenen Grammatiken) darzustellen, wird hier eine Übersicht einer klassischen und einer modernen Klassifikation vorgestellt. Die etwas unabhängige Kategorisierung, die letzenendes für die vorliegende Arbeit gemacht worden ist, wird im Abschnitt weiter erläutert. Zu betonen bei der endgültigen Klassifikation ist die Anpassung an die automatische Textanalyse. Die Real Academia Española funktioniert seit 1713 als Organ für das Studium und die Pflege der spanischen Sprache. Ihr konservativer und normativer Charakter hat zu verschiedenen Kritiken anderer Grammatiker geführt, und dennoch gilt sie weiterhin als oberste Authorität. Wegen ihrer Wichtigkeit wird in diesem Punkt ihre Wortartenklassifikation in Anspruch genommen. Morphologisch werden die Wörter in Veränderlich und Unveränderlich aufgeteilt. Veränderlich sind die Wörter, die Flektionsmorphemen haben, etwa wie den Numerus bei den Nomen, den Genus und Numerus bei den Adjektiven, den Genus, Numerus und die Person der Pronomen, und den Modus, Tempus, Aspekt, Numerus und die Person der Verben. Unveränderlich sind dagegen diejenigen, die keine Flektionsveränderung durchmachen: Adverbien, Präposition und Konjunktion 15. Anmerkungen zur Klassifikation: Die Nomen werden weiter unterteilt in nombres propios (Eigennamen) und apelativos (Appellativnomen). Der Numerus wird in der Regel mit den Morphemen ø für Singular und -s/-es für Plural markiert. Der Genus wird in der Regel mit den Morphemen ø oder -o für maskulin und -a für feminin. Ein Neutrum gibt es nicht. Die Adjektive werden bei der Genusbildung in drei Kategorien unterteilt: -diejenigen, deren Genus unveränderlich bleibt: homicida, cursi, israelí, amable, feliz, veloz... -diejenigen, dessen Feminin mit -a und dessen Maskulin mit -o endet: alto, alta; tonto, tonta Interjektionen werden nicht erwähnt

29 3 Die spanische Sprache -diejenigen, dessen Feminin mit -a und dessen Maskulin nicht mit -o endet: holgazán, holgazana; receptor, receptora... Die Numerusbildung der Adjektive ist die gleiche wie die der Nomen. Pronomen werden unabhängig von der Wortstellung in Demonstrativ-, Personal-, Possessiv-, Indefinit-, Quantitativ-, Relativ-, Exklamativ- und Interrogativpronomen unterteilt. Dies heißt, dass sie keine Unterscheidung dazwischen machen, ob sie ein Substantiv begleiten (mi coche, esta casa, muchas personas...) oder ob sie anstelle eines Substantives (el mío, ésta, muchas...) stehen. Artikel werden in unbestimmte und bestimmte Artikel unterteilt. Beide bilden Singular- und Pluralformen, aber nur die bestimmten Artikel haben ein Neutrum. Die bestimmten Artikel sind: el, la, lo (Neutrum), los, las. Die unbestimmten Artikel sind: un, una, unos, unas. Bei den Verben gibt es im Spanischen drei Konjugationen: -ar (cantar), -er (perder), -ir (sufrir). Die unpersönlichen Formen sind der Infinitiv (cantar), das Gerundium (cantando) und das Partizip Perfekt (cantado). Die Modi sind der Indikativ, der Konjunktiv und der Imperativ. Die Tempora des Indikativs sind: Presente (canto), Pretérito Imperfecto (cantaba), Pretérito Perfecto Simple oder Indefinido (canté), Pretérito Perfecto Compuesto (he cantado), Pretérito Pluscuamperfecto (había cantado), Pretérito Anterior (hube cantado), Futuro (cantaré), Futuro Perfecto (habré cantado), Condicional Simple (cantaría) und Condicional Compuesto (habría cantado). Die Tempora des Konjunktivs sind: Presente (cante), Pretérito Imperfecto (cantara oder cantase), Pretérito Perfecto (haya cantado), Pretérito Pluscuamperfecto (hubiera oder hubiese cantado), Futuro (cantare) und Futuro Perfecto (hubiere cantado). Eine modernere, syntaktischorientiertere Wortklassifikation betont sowohl die adjektivische als auch die substantivische Funktion der Pronomen 16. Das führt zu einer Unterscheidung zwischen Demonstrativ-, Possessiv-, Indefinitpronomina usw., wenn sie anstatt eines Substantiv auftreten, und Demonstrativ-, Possessiv-, Indefinitadjektive usw., wenn sie ein Substantiv begleiten. Die Klassifikation dieser Wortarten in Attributivfunktion bleibt dennoch einheitlich. Sie werden als Adjektive, als Determinativadjektive oder als Determinatoren behandelt. 16 Beispielsweise Marcos Marín et al. (2003). Onieva (1993) merkt bei den Pronomen auf der Seite 114 folgendes an: Das ist die Klassifikation der Academia. Trotzdem behandeln alle moderne Grammatikwerke die Pronomen in Attributivfunktion als Determinatoren (nuestra casa) und nur als Pronomen, wenn sie sich auf ein Substantiv beziehen (he llamado a algunos)

30 3 Die spanische Sprache Die Wortstellung Die spanische Sprache verfügt im Vergleich zu anderen Sprachen über eine große Wortstellungsfreiheit. Wie in jeder Sprache spielt trotzdem die syntaktische Struktur eine große Rolle. Die Einheiten, die umgestellt werden können, sind die kleinsten Satzglieder (Subjekt, Verb, Ergänzungen und Angaben), nicht also die einzelnen Worte: In der linearen Konstruktion folgt das determinierende Element dem determinierten. Die Struktur wäre: Subjekt + Verb + Akkusativerg. + Dativerg. + Angaben (Predikativsatz) Algunos compañeros expusieron sus quejas al director durante la huelga. Oder Subjekt + Verb + Attribut (Kopulativsatz) Antonio es un buen profesional. In der einwickelnden Konstruktion wird dagegen das wichtigste Element an den Anfang gestellt. Der Satz Mein Vater kommt um 9 Uhr kann folgendermaßen umgeschrieben werden: Mi padre llegará a las nueve. A las nueve llegará mi padre. Llegará mi padre a las nueve. In selbständigen Fragesätzen wird ähnlich wie im Deutsch das Verb häufig vorangestellt: Está mejor tu hermano? (Geht s deinem Bruder besser?) Ein Fragewort leitet normalerweise den pronominalen Fragesatz ein und wird vom Verb gefolgt: Quién eres tú? (Wer bist Du?) Aber: Y tú quién eres? (Und wer bist Du?) Y tú, quién eres? (Und wer bist Du?)

31 3 Die spanische Sprache Anmerkungen 17 : -In Nebensätzen wird die Satzstruktur im Gegensatz zum Deutsch nicht geändert. Auch werden sie nicht immer durch Komma getrennt. Él asegura que ella no sabe nada del asunto. -Das Verb tritt häufig wie im Deutsch in der zweiten Stelle auf. Das Partizip folgt aber immer dem Verb. Ella ha hecho muy bien los deberes. (Sie hat die Hausaufgaben sehr gut gelöst) -Die große Anzahl der Konjugationsmorpheme erlaubt häufig einen elliptischen Subjekt. Fuimos al cine. -Das Negationsadverb no wird immer dem Verb vorangestellt. Desde que no fumas has engordado cinco kilos. -Die unbetonten Personalpronomen werden immer dem Verb vorangestellt oder ihm hinzugefügt: No me lo creo! Póngame un café, por favor. -Die Stellung des attributiven Adjektivs ist normalerweise nach dem Substantiv, aber viel freier als im Deutsch. La pared roja. (Die rote Wand) Es una magnífica ocasión para ir a visitarte. (Es ist eine wunderbare Gelegenheit, um dich zu besuchen). 17 Für weitere Information s. S. 609 in de Bruyne 2002, S. 230 in Onieva 1993, S. 360 in Marcos 2002 und S. 544 in Vera-Morales

32 Nachdem die Werkzeuge UNITEX und Elag vorgestellt worden sind, wird in diesem Teil der Arbeit beschrieben, wie UNITEX für das Spanische eingesetzt werden kann und welche Elag Regel aufgebaut worden sind, um das Ambiguitätsproblem im Spanischen zu beheben. Dieser Teil ist folgendermaßen gegliedert: -Beschreibung des Korpus, mit dem gearbeitet wurde, -Beschreibung des Präprozessgraphen, mit dem das Korpus in Sätze geteilt wurde, -Beschreibung der Lexika, die elaboriert und angewendet worden sind, -Beschreibung des Normalisierungsgraphes, der letzte Vorbereitungen unternimmt, -Beschreibung der Elag-Regeln, die den Text vereinfacht analysieren lässt. 4.1 Das Korpus Die Auswahl des Korpus war von großer Bedeutung, da zum einen der Umfang in Grenzen gehalten werden musste, um die Übersichtlichkeit zu bewahren, und zum anderen die wichtigsten Eigenschaften der spanischen Sprache repräsentieren sollte. Folgende Voraussetzungen wurden berücksichtigt: -Die Dialektvariation. Wie schon im vorherigen Kapitel erwähnt, ist die spanische Sprache weltweit verbreitet und dem folgend ist die Varietät des Spanischen sehr hoch. Die Sprache, die für diese Arbeit ausgewählt worden ist, ist die Varietät, die in Spanien benutzt wird. -Weitere Sprachregister. Die Texte sind hauptsächlich in formaler Sprache geschrieben, aber beinhalten jedoch Elemente von Fachsprachen, Gruppensprachen, Soziolekten oder Idiolekten. -Die Korpusquelle. Auf der Suche nach Text in maschinenlesbarer Form wurde für die Aufbereitung des Korpus das Internet als Quelle benutzt. Trotz der Vielfalt und des Umfangs der spanischen Webseiten bereitete das Auswählen der Texte, die für das Ziel dieser Arbeit geeignet wären, ein großes Problem. Aus diesem Grunde wurden Texte aus Tageszeitungen und online Nachrichten ausgewählt, die ein bestimmtes sprachliches Niveau vorweisen können. Bei der Erstellung des Korpus wurde versucht, nach dem Prinzip zu verfahren, alles, was in spanischen Texten regulär vorkommt oder vorkommen kann, in diese Sammlung von Texten aufzunehmen. Es handelt sich um Texte, die grammatikalisch und syntaktisch korrekt sind, eine

33 gehobene Schriftsprache vorweisen können und dadurch eine effiziente Basis zur Erläuterung und Behebung von Disambiguitäten bilden. Über einer längeren Zeit sind Nachrichten und Artikel von der Webseite der spanischen Zeitung El Mundo gesammelt worden 18. El Mundo ist neben El Pais, ABC und La Vanguardia eine der wichtigsten Tageszeitungen Spaniens. Das Korpus besteht aus 55 gezielt ausgewählten Texten aus verschiedenen Bereichen wie Politik, Kultur, Wissenschaft oder Sport, die sowohl über die spanische als auch über die internationale Realität berichten. Die Repräsentativität des Korpus ist sehr hoch. Trotz des eingegrenzten Umfangs wurde ein breiter Sprachbestand des Spanischen erfasst. Sprachvarietäten, Fachsprache, Abkürzungen, Akronyme, Eigennamen, dialektale Sprache und Fremdwörter sind im Korpus beinhaltet. 4.2 Der Vorverarbeitungsgraph. Die Satzdelimitierung. Der Graph Sentence.grf wird von Unitex als Vorverarbeitung ausgeführt, um die Sätze des vorhandenen Textes zu segmentieren. In der Vorverarbeitung arbeitet das Programm nicht auf lexikalischer Ebene, sondern erkennt nur Gruppen von Buchstaben und Zahlen, die von einem Leerzeichen oder von einem orthographischen Zeichen getrennt sind. Das Symbol, das Unitex benutzt, um die Sätze zu delimitieren, ist {S}. Dieses Symbol ist nicht einem Satzzeichen gleichzusetzen, sondern es ist ein einfacher Satzseparator. Deswegen kommt es nie am Anfang oder Ende eines Textes vor. Bevor dieser Graph beschrieben wird, sollte man hinzufügen, dass die jeweiligen Möglichkeiten, die er betrachtet, gleichzeitig angewandt werden und miteinander kombinierbar sind. Entscheidend für die Realisation einer Segmentierung ist die Umgebung der Satzzeichen. Das Ausrufezeichen, das Fragezeichen und der Punkt sind die Satztrenner im Spanischen. In bestimmten Fällen können sie auch mitten im Satz auftreten. Solche Fälle sind in dem Graph berücksichtigt. Der Graph besteht also aus den folgenden zwei Teilen: Fälle, die einen Satz beenden. Fälle, die ein Satzende ausschließen