Textkorpus

Der Ausdruck Textkorpus (kurz auch nur Korpus oder Corpus) bezeichnet generell eine Sammlung von schriftlichen Texten oder von schriftlich aufgezeichneten, mündlichen Äußerungen in einer bestimmten Sprache. Das Wort leitet sich von lat. corpus = ‚Körper' her und ist Neutrum (das (Text)Korpus), der Plural lautet (Text)Korpora. Textkorpora sind in unterschiedlichen wissenschaftlichen Disziplinen, hauptsächlich in der Sprachwissenschaft, Literaturwissenschaft und historisch orientierten Fächern, aber auch beispielsweise in der Rechtswissenschaft von Bedeutung. Sie sind dabei das Mittel, anhand dessen beispielsweise eine bestimmte Sprache beschrieben werden kann oder die Werke eines Autors erforscht werden; Korpora dienen aber auch als Quellen zur Untersuchung bestimmter (etwa historischer) Themen und Sachverhalte.

Textkorpora werden – sofern es sich um solche aus lebenden Sprachen handelt – nach gewissen wissenschaftlichen Kriterien zusammengestellt und umfassen eine bestimmte Art und Anzahl von Texten. Solche Zusammenstellungen haben mit Aufkommen maschineller Möglichkeiten besonders in mehreren Disziplinen der Sprachwissenschaft eine immense Bedeutung erlangt und waren bestimmend für die erst vor kurzem erfolgte Etablierung der Korpuslinguistik.

Ein Textkorpus liegt heute typischerweise in digitaler Form vor. Zum Zwecke der Beschreibung bestimmter Einzelsprachen wurden bereits in zahlreichen Nationalsprachen große, das heißt viele Millionen bis teils mehrere Milliarden Wörter umfassende Korpora erstellt, die ein gewisses Verhältnis einzelner Textsorten in der jeweiligen Sprache abbilden sollen. Zudem existiert eine große Reihe von Spezialkorpora wie etwa Kindersprachkorpora, Dialektkorpora, Korpora bestehend aus Gesamtausgaben von literarischen Werken u. a. m. Auch werden in zunehmendem Maße für linguistische Einzeluntersuchungen eigens konzipierte Textkorpora erstellt.

Arten von Textkorpora

Nach formalen und inhaltlichen Kriterien können Textkorpora in unterschiedlicher Weise kategorisiert werden.^[1] Unter anderem unterscheidet man:

• Papierkorpora und elektronische Korpora

Auf Papier zusammengetragene Textkorpora waren aufwändig zu erstellen und dementsprechend selten anzutreffen. Sie spielten in der Vergangenheit beispielsweise in der Wörterbuchschreibung eine bedeutende Rolle, da anhand dieser Sammlungen die Bedeutungen einzelner Wörter ausgemacht bzw. belegt wurden.

Für die Nutzung der heute üblichen maschinenlesbaren Korpora ist eine spezielle Software wie beispielsweise WordSmith notwendig. Etliche Korpora sind aber online zugänglich und ohne solche Software auf dem eigenen PC nutzbar.

• Teilkorpora und Referenzkorpora

Teilkorpora sind solche, die nur einen Ausschnitt aus dem gesamten Spektrum einer Sprache bieten wie beispielsweise Textkorpora, die nur Texte aus der alltäglichen Umgangssprache oder nur Texte aus Tageszeitungen enthalten.

Ein Referenzkorpus ist ein Textkorpus, das nach linguistischen Kriterien eine einzelne Sprache (also das Deutsche, das Englische usw.) in ihrer Gesamtheit dergestalt repräsentativ erfassen soll, dass anhand eines Referenzkorpus einer bestimmten Sprache gültige Aussagen über das System eben dieser Sprache generell gemacht werden können.

• statische Korpora und Monitorkorpora

Statische Korpora sind abgeschlossen und werden nicht mehr erweitert, so etwa Textkorpora mit den Werken eines verstorbenen Schriftstellers, ein Korpus bestehend aus der Gesamtheit aller in einer ausgestorbenen Sprache vorhandenen schriftlichen Quellen oder ein Korpus aus den verschrifteten Aufzeichnungen von Aufnahmen eines die Sprache erwerbenden Kleinkindes. (Alte Sprachen, die nur in wenigen Dokumenten oder gar nur fragmentarisch belegt sind, bezeichnet man auch als „Korpussprachen“, weil sie nur anhand dieses einen begrenzten, nicht mehr erweiterbaren Textkorpus rekonstruierbar und beschreibbar sind.)

Monitorkorpora hingegen sind Textkorpora, die auf eine Erweiterung hin konzipiert sind (wie etwa Textsammlungen bestehend aus den Artikeln einer aktuellen Tageszeitung).

• Rohkorpora und annotierte Korpora

Unter Rohkorpora versteht man Textkorpora, die rein aus den Sprachdaten bestehen, die zur Untersuchung herangezogen werden. Annotierte Korpora sind solche Textkorpora, die neben diesen Primärdaten auch zusätzliche Angaben, sogenannte Metadaten, enthalten. Diese Annotationen können sehr unterschiedlicher Art sein: Gängig sind beispielsweise Korpora, in denen für jedes einzelne Wort zusätzlich die jeweilige Wortart angegeben wird, oder Korpora, die mit Angaben betreffend die Syntax der einzelnen Sätze versehen sind. (Letztere werden – analog zum Ausdruck „Datenbank“ – auch als „Baumbanken“ bezeichnet, da in ihnen sogenannte syntaktische Baumstrukturen annotiert sind.) Textkorpora bestehend aus Daten der gesprochenen Sprache sind häufig mit phonologischen Daten angereichert. Zu den Metadaten eines Textkorpus zählen auch Angaben über den Zeitpunkt der Textentstehung, über die Autorenschaft, über die Korpuserstellung u. a. m.

Annotierte Korpora bieten gerade für Fragestellungen der theoretischen Linguistik oder der Computerlinguistik grundsätzlich verbesserte Forschungsmöglichkeiten. Jedoch ist die Annotation gerade von umfangreicheren Textkorpora verhältnismäßig aufwändig und demzufolge kostenintensiv, sodass gerade die großen Referenzkorpora nur zum Teil mit Annotationen versehen sind.

• einsprachige und mehrsprachige Korpora

Einsprachige Korpora erlauben Aussagen über die jeweilige Einzelsprache. Mehrsprachige Korpora enthalten Texte aus mehrheitlich zwei, gegebenenfalls mehreren Sprachen. Entweder sind dabei die Texte in der zweiten Sprache eine Übersetzung der Texte der ersten Sprache – man bezeichnet solche Fälle als „Parallelkorpora“ – oder das Korpus der zweiten Sprache besteht im selben Ausmaß aus denselben Textsorten wie das Korpus der ersten Sprache (z. B. Zeitungsartikel zu denselben Themen).

Mehrsprachige Korpora spielen hauptsächlich für die maschinelle Übersetzung und für die Sprachlehrforschung eine Rolle. Dabei ist die automatische oder statistische Analyse z. B. der Häufigkeit und Verteilung von bestimmten Wörtern innerhalb einzelner Sprachen für die automatische Erstellung eines zweisprachigen Wörterbuches hilfreich.

Einige Funktionen eines mehrsprachigen Textkorpus, ohne tatsächlich ein solches zu sein, übernimmt oftmals die Bibel, weil sie auch in kleineren, weniger oft gesprochenen Sprachen vorliegt. Daher ist sie nicht nur für sprachwissenschaftliche Vergleichszwecke dienlich, sondern auch in der Bibelwissenschaft beispielsweise in Bezug auf die Erforschung der Übersetzungsgewohnheiten und auf die Erfassung biblischer Begriffe von großer Bedeutung.

Textkorpora in der Sprachwissenschaft

Textkorpora bieten die Möglichkeit, das System einer Sprache und deren Gebrauch anhand von tatsächlich geäußerten Sprachdaten in verschiedener Hinsicht zu untersuchen. Der Begriff „Korpus“ im Sinne einer Zusammenstellung von Sprachdaten, um aufgrund dieser Stichproben allgemeine Aussagen zu treffen, wird in verschiedenen Disziplinen der Sprachwissenschaft schon seit Jahrzehnten verwendet.^[2]

Diese empirische Ausrichtung steht im Gegensatz zur rationalistischen Orientierung der Generativen Grammatik, die augenblicklich ein dominierendes Paradigma in der theoretischen Linguistik darstellt. Dementsprechend kritisch wird von Vertretern dieser Richtung der Einsatz und Nutzen von Textkorpora gerade in Hinblick auf Fragen zur Grammatik gesehen. Jedoch werden Korpora auch in diesem Bereich in zunehmendem Maße zur Verifizierung von Hypothesen in Anspruch genommen.

Linguistische Teilbereiche, in denen derzeit Textkorpora vermehrt herangezogen werden, sind die Korpuslinguistik und die Computerlinguistik. Hier werden möglichst große Korpora ausgewertet, um allgemeine Aussagen über eine Sprache treffen zu können. Beispiele für den Einsatz von Korpora in der Korpuslinguistik sind etwa das Bestimmen von Wortbedeutungen anhand von Konkordanzen (also anhand von Belegstellen in konkreten Texten), das Eruieren von Kollokationen (also von gemeinsamem Auftreten eines Wortes mit bestimmen anderen Wörtern) oder die Beantwortung von Fragen zur Syntax einer Sprache.^[3] Im Bereich der Computerlinguistik und mathematischen Linguistik sind unter anderem Worthäufigkeiten und Wortverteilungen in Texten, Wortkollokationen oder Satz- und Wortlängen und Ähnliches von Interesse. Im sprachwissenschaftlichen Teilgebiet der Diskursanalyse werden Textkorpora unterschiedlicher Größe vornehmlich aus dem öffentlichen Sprachbereich (Politik, Medien) herangezogen, um aus solchen Sprachdaten Rückschlüsse auf latent vorhandene Einstellungen und Haltungen einer gesellschaftlichen Gruppierung zu bestimmten Dingen und Sachverhalten herauszufinden oder deren Verständnis von bestimmten Begriffen ausfindig zu machen.^[4]

Zwar stellt auch das World Wide Web eine Sammlung konkret verwendeter Sprache dar, es ist jedoch nach sprachwissenschaftlichem Verständnis nicht als Textkorpus im eigentlichen Sinne zu betrachten. Dennoch wird es unter gewissen Einschränkungen für bestimmte Fragestellungen mit entsprechender Vorsicht genutzt. Beispielsweise wurden neben verschiedenen gedruckten Texten auch regionale Websites im Rahmen der Erstellung des Variantenwörterbuchs des Deutschen herangezogen.^[5]

Referenzkorpora von Einzelsprachen

Zur Beschreibung nationaler Sprachen oder sprachlicher Varietäten werden umfangreiche Textkorpora erstellt, die heute sehr häufig auch online nutzbar sind. In letzteren Fällen ist die dazu benötigte Analysesoftware bereits im World Wide Web implementiert und kann von den Nutzern, ohne ein solches Programm auf dem eigenen PC installieren zu müssen, angewendet werden.

Das erste Textkorpus in einer nationalen Sprachvarietät war das bereits in den 1960er Jahren erstellte und vollständig nach 80 definierten Wortarten annotierte Brown-Corpus, welches das zeitgenössische amerikanische Englisch repräsentieren sollte. (Der Name leitet sich von der Brown-Universität in Providence im US-Bundesstaat Rhode Island her, an der das Korpus erstellt wurde.) Es umfasst 1 Mio. Wörter und setzt sich aus 500 Textauszügen zu je 2000 Wörtern zusammen, wobei Texte aus 15 unterschiedlichen Textsorten (verschiedene Zeitungs- und literarische Textsorten, religiöse Texte, Fachliteratur etc.) herangezogen wurden. Die Ansicht, dass ein Textsample in der Größe von 2000 Wörtern die Textsorte für ein Textkorpus repräsentativ abbildet, gilt bis heute. Das Brown Corpus diente als Grundlage für das American Heritage English Dictionary, das erste Wörterbuch, das ausschließlich auf Basis eines derartigen Korpus erstellt wurde. Dem Brown-Corpus folgte unter anderem in den 1980er Jahren das ebenfalls vollständig annotierte Lancaster-Oslo-Bergen-Corpus (kurz: LOB Corpus), welches nach dem Vorbild des Brown-Corpus aus Texten im britischen Englisch besteht.
Heute sind für das Englische unter anderem das British National Corpus, das American National Corpus und das International English Corpus (mit Texten aus unterschiedlichen englischsprachigen Ländern) von Bedeutung.

Als das derzeit umfangreichste Korpus des Deutschen gilt das am Institut für Deutsche Sprache in Mannheim zusammengestellte Deutsche Referenzkorpus, das aus über 4 Mrd. Wörter (Stand vom Jahresbeginn 2011) aus geschriebener Sprache besteht und grundsätzlich allen zur Benutzung offensteht.
Im Rahmen des Forschungsprojekts „Digitales Wörterbuch der deutschen Sprache des 20. Jahrhunderts“ wurde das größte ausgewogene Textkorpus der deutschen Sprache des 20. Jahrhunderts bereitgestellt. Außerdem finden sich dort weitere Korpora, so etwa die kompletten Online-Archive der Zeitschrift „Die Zeit“ (ab 1996), des „Tagesspiegels“ (ab 1996) und der „Potsdamer Neuesten Nachrichten“ sowie ein großes Korpus jüdischer Periodika (Germania Judaica). Die Korpora sind verknüpft mit einem großen einsprachigen deutschen Wörterbuch, dem Wörterbuch der deutschen Gegenwartssprache. Bei der Abfrage eines Stichwortes werden dabei nicht nur die Konkordanzen, sondern auch Informationen zu Synonymen, Hyponymen, Hyperonymen und Kollokationen generiert.
In der Abteilung Automatische Sprachverarbeitung der Universität Leipzig arbeitet man ebenfalls an und mit großen Korpora und pflegt unter anderem ein Korpus im Umfang von rund 1,5 Mrd. Wörtern (rund 100 Mio. Sätze). Online sind etliche statistische Daten jedoch nur eines kleineren Korpus abfragbar.
Des Weiteren gibt es seit 2010 ein online zugängliches Schweizer Textkorpus.

Auch in sehr vielen anderen Nationalsprachen existieren heute große Korpora. Das gilt nicht nur für den indogermanischen Sprachraum, sondern auch für andere bedeutende Sprachen besonders im asiatischen Raum. Aber auch kleinere Sprachen Asiens und Afrikas werden in Form von Textarchiven oder weniger umfangreichen annotierten Textkorpora dokumentiert.

Spezielle Textkorpora

Neben den großen Referenzkorpora existiert eine immer größer werdende Anzahl von Textsammlungen, die nicht nur unter der Bezeichnung „Korpus“, sondern auch als „(Text)Archive“ oder unter dem Stichwort „Datenbank“ zu finden sind. Darunter gibt es beispielsweise Dialektkorpora oder Korpora gesprochener Sprache, wie sie beispielsweise im Bayerischen Archiv für Sprachsignale vorliegen. Eine andere Art von Spezialkorpora sind Textgesamtausgaben wie zum Beispiel das an der Österreichischen Akademie der Wissenschaften erstellte Austrian Academy Corpus, das die Gesamtausgaben der essayistischen Zeitschriften „Die Fackel“ und „Der Brenner“ umfasst.

Besonders für die Psycholinguistik und die Klinische Linguistik ist zur Erforschung des normalen und auch des gestörten Spracherwerbs von Kindern die Datenbank „CHILDES“ von Bedeutung, in welchem Transkripte von gesprochener Kindersprache in umfangreichem Maße vorliegen.

Im Rahmen groß angelegter Projekte zur Digitalisierung alter Buchbestände werden immer mehr Lexika, Wörterbücher, Enzyklopädien und literarische Werke erfasst und online zur Verfügung gestellt. Darunter finden sich Unternehmungen wie etwa das „Deutsche Textarchiv“, das eine umfassende Auswahl an historischen Texten aus mehreren Jahrhunderten bereitstellen möchte. Derartige Textsammlungen bieten im optimalen Fall eine kostenlose, online durchführbare Volltextsuche im gesamten Bestand. Jedoch besteht in solchen Fällen häufig nicht die Möglichkeit, diese Texte für sprachwissenschaftliche Zwecke auf dieselbe bequeme Weise zu nutzen, wie speziell dafür konzipierte Korpora, da die Suchsoftware nicht danach ausgelegt ist.

Literatur

• Deutsches Institut f. Normung e.V. (Hrsg.): Aufbau und Nutzung von Terminologie-Datenbanken und Textkorpora. Deutsche Übersetzung des internationalen Fachbereichs ISO/TR 12618, erstellt im NA Terminologie. 1. Auflage. Berlin/Wien/Zürich 1997.
• Paul Baker: Using Corpora in Discourse Analysis. Continuum, London/New York 2009, ISBN 978-0-8264-7724-8.
• Reinhard Fiehler, Peter Wagener: Die Datenbank Gesprochenes Deutsch (DGD) – Sammlung, Dokumentation, Archivierung und Untersuchung gesprochener Sprache als Aufgabe der Sprachwissenschaft. In: Gesprächsforschung – Online-Zeitschrift zur verbalen Interaktion. 6 (2005), S, 136-147. (www.gespraechsforschung-ozs.de).
• Werner Kallmeyer, Gisela Zifonun (Hrsg.): Sprachkorpora – Datenmengen und Erkenntnisfortschritt. de Gruyter, Berlin/New York 2007. (=IDS Jahrbuch 2006).
• Korpuslinguistik im Zeitalter der Textdatenbanken. In: Linguistik online. 28,3 (2006).
• Lothar Lemnitzer, Heike Zinsmeister: Korpuslinguistik. Eine Einführung. Gunther Narr Verlag, Tübingen 2006. (= Narr Studienbücher).
• Wilfried Lenders, Gerd Willée: Linguistische Datenverarbeitung - Ein Lehrbuch. Westdeutscher Verlag, Opladen/Wiesbaden 1998.
• Carmen Scherer: Korpuslinguistik. Winter, Heidelberg 2006, ISBN 3-8253-5164-5.
• Thomas Schmidt, Thomas: Datenarchive für die Gesprächsforschung: Perspektiven, Probleme und Lösungsansätze. In: Gesprächsforschung – Online-Zeitschrift zur verbalen Interaktion. 6 (2005). S, 103-126. (http://www.ozs-gespraechsforschung.de).
• P. Wagener, K.-H. Bausch ( Hrsg.) (1997): Tonaufnahmen des gesprochenen Deutsch. Dokumentation der Bestände von sprachwissenschaftlichen Forschungsprojekten und Archiven. Niemeyer, Tübingen 1997. (= Phonai Band 40).

Einzelnachweise

1. ↑ Einen diesbezüglichen Überblick bietet zum Beispiel die Einführung in die Korpuslinguistik von Scherer (2006).
2. ↑ So etwa in einer phonetischen Studie: „... our corpus consisted of monosyllabic words spoken in isolation by two males and one female.“ (dt.: ... bestand unser Korpus aus einsilbigen Wörtern, die von zwei männlichen und einer weiblichen Person unter Isolationsbedingungen gesprochen worden sind.) (M. Halle, G. W. Hughes, J.-P. A. Radley: Acoustic Properties of Stop Consonants, Journal of the Acoustical Society of America, Vol. 20 (1967); abgedruckt in: Ilse Lehiste (ed.): Readings in Acoustic Phonetics, second printing, MIT Press, Cambridge, Mass. 1969, ISBN 0-262-12025-9, S. 171.
3. ↑ Beispielsweise analysiert John Sinclair die Bedeutung des englischen Wortes „(to) yield“ oder kategorisiert die Hauptwortkonstruktionen mit „of“ wie sie in „bottle of wine“ vorkommen. (John Sinclair: Corpus, Concordance, Collocation. 4th Impression. Oxford University Press, Oxford 1997, ISBN 0-19-437144-1.)
4. ↑ So untersucht etwa Noah Bubenhofer exemplarisch, wie Namen für Ethnien oder der Begriff „Terrorismus“ in der „Neuen Zürcher Zeitung“ tatsächlich verwendet wird. (Noah Bubenhofer: Sprachgebrauchsmuster. Korpuslinguistik als Methode der Diskurs- und Kulturanalyse. de Gruyter, Berlin 2009, ISBN 978-3-11-021584-7.)
5. ↑ Ruth Esterhammer: Das Variantenwörterbuch des Deutschen: Von der Idee zum fertigen Produkt. In: Rudolf Muhr, Manfred B. Sellner (Hrsg.): Zehn Jahre Forschung zum Österreichischen Deutsch: 1995–2005. Eine Bilanz. Peter Lang, Frankfurt/M. 2006, ISBN 3-631-55450-8, S. 65–78.

Weblinks

 Wiktionary: Textkorpus – Bedeutungserklärungen, Wortherkunft, Synonyme, Übersetzungen

• Digitales Wörterbuch der deutschen Sprache Online-Recherche im DWDS-Corpus und dem Wörterbuch der Deutschen Gegenwartssprache
• Deutsches Textarchiv (DTA) Historisches Referenzkorpus in deutscher Sprache
• COSMAS II Recherche- und Analysesystem zum Deutschen Referenzkorpus und anderen schriftsprachlichen Korpora am Institut für Deutsche Sprache (IDS)
• Projekt Deutscher Wortschatz Online-Recherche
• Schweizer Textkorpus Online-Recherche
• Universität Hamburg Sammlung von Korpora des Sonderforschungsbereichs 538 „Mehrsprachigkeit“
• Bayerisches Archiv für Sprachsignale Sammlung von Korpora gesprochener Sprache und deren Beschreibung