COSMAS II Corpus Search Management and Analysis System

Transkript

1 COSMAS II Corpus Search Management and Analysis System November 2012, Jeanette Isele Seminar: Korpuslinguistik

2 Übersicht Theoretischer Teil Was ist COSMAS II? Die Archive und Korpora von COSMAS II Textklassifikation Suchanfragen (erster Überblick) Ergebnisanzeige (erster Überblick) Zielgruppe / Benutzer von COSMAS II Verwendungsmöglichkeiten & Projekte mit COSMAS II Praktischer Teil Suchablauf anhand eines einfachen Beispiels (im geschriebenen Korpus) Abfrage im getaggten Korpus (Treetagger) Abfrage im getaggten Korpus (CONNEXOR)

3 Theoretischer Teil COSMAS II

4 Was ist COSMAS II? Portal für die Korpusrecherche vom Institut für Deutsche Sprache in Mannheim Insgesamt 108 Textkorpora (7.3 Mrd. Wortformen, 18.2 Mio. Buchseiten) Unentgeltliche Registrierung notwendig (insgesamt Nutzer aus 100 versch. Ländern) Aktuelles System: COSMAS II (Nachfolgesystem von COSMAS I, )

5 Die Korpora Insgesamt 108 Korpora, in 10 Archive gegliedert: Archiv der geschriebenen Korpora (das Hauptarchiv) Archiv morphosyntaktisch annotierter Korpora (CONNEXOR-Tagset) Archiv morphosyntaktisch annotierter Korpora (TreeTagger-Tagset) Archiv morphosyntaktisch annotierter Korpora (MECOLB-Tagset) Archiv der historischen Korpora Archiv des Projekts "Sprachliche Umbrüche des 20. Jahrhunderts" Korpus-Kartei der Gesellschaft für deutsche Sprache Archiv der phasengegliederten Wendekorpora Archiv der aussortierten geschriebenen Korpora Archiv der Süddeutschen Zeitung

6 Die Korpora Korpusgrösse: Anzahl Texte: Anzahl Wortformen: Korpusgrösse: Anzahl Texte: Anzahl Wortformen:

7 Die Korpora Die verschiedenen Archive sind in Korpora gegliedert.

8 Neue Elemente in der Textklassifikation Nach Textsorte (z.b. Abstract, Buchauszug, Leserbrief, Nachruf, versch. Arten von Berichten) Nach Thematik (z.b. Fiktion, Kultur, Politik, Sport, Natur/Umwelt, Staat/Gesellschaft, Wissenschaft, Wirtschaft)

9 Suchanfragen bei COSMAS II (erster Überblick) Nach Wortform(en) (z.b. ruft) Die Verwendung regulärer Ausdrücke ist bisher nicht möglich, aber eigene Suchabfragesprache Nach Wortart (z.b. nach Substantiven) Angabe zum Abstand zwischen Wörtern/Sätzen möglich Angabe zu Textbereichen (z.b. gesuchtes Wort soll im Titel vorkommen) und zur Position (z.b. erstes oder letztes Wort im Satz)

10 Ergebnisse bei COSMAS II (erster Überblick) KWIC-Anzeige Sortierung nach Entstehungszeit, Land oder Thematik Statistiken können angezeigt werden (z.b. um Gebrauchshäufigkeit von etwas zu berechnen) Metainformationen: Verlag, evtl. Autor, Entstehungszeit, Seitenangabe Auswahl und Export möglich

11 Zielgruppe/Benutzer von COSMAS II Linguisten Forscher der Psychologie, Neurologie, Kognitionswissenschaft, Sprachtherapie, Kommunikationsund Medienwissenschaft, Statistik Übersetzer und Sprachlehrer (um Beispiele zu erhalten) Sprachinteressierte "Laien" auf der Suche nach Wortzusammenhängen oder Verwendungsweisen von Wörtern

12 Verwendungsmöglichkeiten von COSMAS II Wortgebrauch (Kontext, Zeit, Textsorte) Vielfalt der Wortkompositionen Kookkurenz-Analyse (mit Statistiken) Neologismenforschung Neue/andere Wortbedeutungen finden Gesellschaftliche Trends Verwendung bestimmter grammatischer Strukturen etc.

13 Projekte am IDS mit COSMAS II OWID (Online-Wortschatz-Informationsystem Deutsch) DFWB (Deutsches Fremdwörterbuch) Handbuch deutscher Kommunikationsverben GRAMMIS (grammatisches Informationssystem) Handbuch der deutschen Konnektoren Für die Erarbeitung und das Testen korpuslinguistischer Methoden

14 Praktischer Teil COSMAS II

15 Suchablauf

16 1. Archiv wählen

17 2. Korpus wählen

18 2. Korpus wählen - benutzerdefiniert

19 3. Anfrage formulieren

20 3. Anfrage formulieren - Abfragesprache

21 3. Anfrage formulieren Abfragesprache (Grundlagen) Suchanfrage &Park Park* Park? Park+ Im /+w2 Park Parks /w0 MORPH(N) Abgefragte Wortformen/Konstruktionen Alle Flexionsformen von Park Danach darf eine beliebige Anzahl an Zeichen folgen (auch 0 Zeichen), Bsp. «Parkanlage» Es muss genau 1 Zeichen folgen, Bsp. «Parks» Es darf höchstens 1 Zeichen folgen, Bsp. «Parks», «Park» Max. Wortabstand = 2, z.b. «im schönen Park» Es muss sich um ein Nomen handeln (wichtig: Wortabstand = 0)

22 3. Anfrage formulieren - Optionen

23 4. Wortformenliste bearbeiten

24 5. Ergebnisanzeige

25 5. Ergebnisanzeige - Quellenansicht - Korpusansicht - Dokumentansicht - Ansicht vor/seit Zeitpunkt - Jahrzehntansicht - Jahresansicht - Monatsansicht - Tagesansicht - Länderansicht - Textsortenansicht - Themenansicht - KWIC - Kookkurrenzanalyse

26 6. KWIC

27 7. Export von Ergebnissen Wichtig: Ergebnisansicht und Korpusansicht ankreuzen

28 7. Export von Ergebnissen

29 7. Export von Ergebnissen

30 Abfragen im getaggten Korpus (Treetagger) - Mit dem getaggten Korpus kann man gezielt nach bestimmten Wortarten suchen - Einfaches Beispiel: Floh (Substantiv) vs. floh (Verb) - Suchanfrage Floh (Substantiv): floh /w0 MORPH(N) - Suchanfrage floh (Verb): floh /w0 MORPH(VRB fin v)

31 Abfragen im getaggten Korpus (Treetagger) - Beispiel: anerkennt vs. erkennt an - Suchanfrage 1 (anerkennt): anerkennt /w0 MORPH(VRB fin v) - Suchabfrage 2 (erkennt an): (erkennt /w0 MORPH(VRB fin v))/w+5 (an /w0 MORPH(PTK vz)) - Suchanfrage 3 (erkennt an, optimiert): (erkennt /w0 MORPH(VRB fin v))/s+0 (an /w0 MORPH(PTK vz))

32 Abfragen im getaggten Korpus (Treetagger) Suchanfrage 1 (anerkennt) Treffer Anzahl Wörter A CH D

33 Abfragen im getaggten Korpus (Treetagger) Suchanfrage 2 (erkennt an) Treffer Anzahl Wörter A CH D

34 Abfragen im getaggten Korpus (Treetagger) Suchanfrage 3 (erkennt an) Treffer Anzahl Wörter A CH D

35 Abfragen im getaggten Korpus (Treetagger) Ergebnisse anerkennt erkennt an (Abstand 5 Wörter) erkennt an (gleicher Satz) Wortmenge A CH D

36 Einschränkungen im getaggten Korpus (Treetagger) - Das getaggte Korpus (Treetagger) enthält keine syntaktischen Informationen: - bei folgenden Fragen kommen wir mit dem getaggten Korpus (Treetagger) also auch nicht weiter: - - Pluralformen von Park (Parks, Pärke)? Problem: Parks kann Genitiv (Sg.) oder Nominatik (Pl.) sein - - Wird wegen mit Genitiv oder Dativ verwendet? Problem: keine Informationen über den Kasus - - Wird (an)rufen mit Dativ oder Akkusativ verwendet? Problem: keine Informationen über den Kasus

37 Abfragen im getaggten Korpus (CONNEXOR) Numerus-Abfrage möglich: wir können hier gezielt nach den Pluralformen Parks und Pärke suchen Abfrage 1: *parks /w0 MORPH(N PL) Abfrage 2: *parke /w0 MORPH(N PL) Abfrage 3: *pärke /w0 MORPH(N PL) (Achtung bei Abfrage 3: vorgeschlagene Wortformen enthalten auch parke)

38 Abfragen im getaggten Korpus (CONNEXOR): Parks

39 Abfragen im getaggten Korpus (CONNEXOR): Parke

40 Abfragen im getaggten Korpus (CONNEXOR): Pärke Keine Treffer!

41 Abfragen im getaggten Korpus (CONNEXOR): Parks/-parks Parke/-parke Pärke/-pärke Wortmenge A CH D

42 Abfrage Pärke/-pärke im Gesamtkorpus Pärke/-pärke Wortmenge A CH D

43 Abfrage Pärke/-pärke im getaggten Korpus (CONNEXOR) Ohne morphologische Informationen: Pärke/-pärke Wortmenge A CH D Pärke/-pärke wird vermutlich falsch getaggt (im CONNECOR-Korpus)

44 COSMAS II Corpus Search Management and Analysis System 13. November 2012, Jeanette Isele Seminar: Korpuslinguistik