ZIELE
 der Computerlinguistik
(50er Jahre)
•Erfassung der Sprache (?)
–(Sprache = mathematische Formeln)
–
•Generieren der Sprache (?)
•
•maschinelle Übersetzung (?)
–(Nürnberger Prozess – großes Aufgebot von Dolmetschern)

COMPUTERLINGUISTIK
•
•beschreibt sprachliche Strukturen und Prozesse mithilfe der Datenverarbeitung
•
•unterstützt die Korpuslinguistik
•
•erleichtert die Erkundung des Phänomens „Sprache“

COMPUTER- UND KORPUSLINGUISTIK
•Computer+Linguistik
•
•↓
•
•Computerlinguistik
•
•Korpus+Linguistik
•
•↓
•
•Korpuslinguistik
(Computer)Korpuslinguistik

KORPUSTYPOLOGIE
•Welche Kriterien würden Sie erwarten?
•Charakterisieren Sie diejenigen Korpora, die Sie kennen.
•Welche  wird es (kaum jemals)  geben?
•Welche Korpora würden Sie begrüßen?
•Ist das World-Wide-Web auch eine Textdatenbank?
•
•

KORPUSTYPOLOGIE
•1. Stadium der gespeicherten Sprache
•2. Medium (Ursprungsmedium)
•3. Repräsentativität
•4. Größe
•5. Sprache
•
•

KORPUSTYPOLOGIE
•1. Stadium der gespeicherten Sprache
•2. Medium
•3. Repräsentativität
•4. Größe
•5. Sprache
•
•1.1 Synchrone Korpora
–DeReKo, Wortschatz-Portal, DWDS, AAC
•1.2 Diachrone Korpora
–DWDS (20. Jh.), DeReKo (18. – 21. Jh.)
•1.3 Historische Korpora
–MHDBDB (MHD), Bonner FnhdC (FNHD), AHD??

KORPUSTYPOLOGIE
•1. Stadium der gespeicherten Sprache
•2. Medium
•3. Repräsentativität
•4. Größe
•5. Sprache
•
•2.1 Korpora der geschriebenen Sprache
–DeReKo, DWDS, Leipzig…
•2.2 Korpora der gesprochenen Sprache
–Bayerisches Archiv für Sprachsignale, DGD (auch Ex Freiburger Korpus)
•
•

KORPUSTYPOLOGIE
•1. Stadium der gespeicherten Sprache
•2. Medium
•3. Repräsentativität
•4. Größe
•5. Sprache
•3.1 Stilistisches Kriterium
–3.1.1 allgemeine
•DeReKo, DWDS
–3.1.2 spezifische
•MULTEXT-East, FALKO
•3.2 Kriterium der Ausgewogenheit
–3.2.1 ausgewogene Korpora
•DeReKo
–3.2.2 opportunistisch gebildete Korpora
•Wortschatz-Portal

KORPUSTYPOLOGIE
•1. Stadium der gespeicherten Sprache
•2. Medium
•3. Repräsentativität
•4. Größe
•5. Sprache
•4.1 große
–DeReKo, BNC, ČNK…
–
•4.2 kleine
–DWDS (nicht-authorisierter Teil), Deu-Cze

KORPUSTYPOLOGIE
•1. Stadium der gespeicherten Sprache
•2. Medium
•3. Repräsentativität
•4. Größe
•5. Sprache
•5.1 monolinguale Korpora
•eine Sprache: (Nationalkorpora)
•5.2 Bilinguale und Multilinguale Korpora
•zwei oder mehrere Sprachen
–5.2.1 Vergleichskorpora
–5.2.2 Parallelkorpora
•OPUS, ČNPK, InterCorp…
•

VERGLEICHSKORPUS
http://ORF.at/
http://Novinky.cz

KORPUSTYPOLOGIE
osynchron – diachron – historisch
§gesprochene – geschriebene
Øallgemein – spezifisch /
Øausgewogen – opportunistisch
vgroß - klein
ümonolinguale - multilinguale
•
•

KORPORA DES DEUTSCHEN
•DWDS
•http://www.dwds.de/
•
•Wortschatz-Portal
•http://wortschatz.uni-leipzig.de/
•
•IDS-Mannheim (DeReKo, DGD u.a.)
•http://www.ids-mannheim.de/
•
•InterCorp
•Startseite
•Vor der Recherche bitte anmelden unter Login (rechts oben).
•

Korpora geschriebener Gegenwartssprache des IDS
http://www.ids-mannheim.de/kt/projekte/korpora/
Bestand: über 4 Milliarden Token
C4
http://chtk.unibas.ch/korpus-c4/search
DWDS-Korpus
http://www.dwds.de/
Bestand: 1.2 Milliarden Token (intern), 100 Millionen Token (öffentlich)
Schweizer Textkorpus
http://www.schweizer-textkorpus.ch/
Im Testbetrieb besteht das Korpus nun aus etwa 10 Mio. Token. Im Endausbau sind 20 Mio. Token
geplant.
Austrian Academy Corpus:
http://www.aac.ac.at/index.html
http://corpus1.aac.ac.at/brenner/
Südtirol
http://search.korpus-suedtirol.it:8089/cqpWeb/mycgi.pl
Dortmunder Chatkorpus
http://www.chatkorpus.uni-dortmund.de/
Bestand: 1.1 Mio. Token aus 150'000 Chat-Beiträgen.
British National Corpus (BNC)
http://www.natcorp.ox.ac.uk/
Bestand: über 100 Millionen Token

Quelle: www.dr-sagawe.de/lehre/korpus-forschung.ppt