www.bkms.org
Bernd-Kristian KaczenskiHumboldt-Universität zu Berlin
Bosnisch Kroatisch Montenegrinisch Serbisch
3. Symposium „Die grammatikalischen Unterschiede zwischen dem Bosnischen/Bosniakischen,
Kroatischen und Serbischen“
Graz, 16.-18. April 2009
Varietätenraum(nach: Gibbon 1998)
Variationsraum: Dimensionen und Varietäten
Ein Varietätenkorpus erfasst mit Metadaten annotierte, schriftlich oder mündlich geäußerte Texte eines Varietätenraumes, und macht Varietäten als Teilmengen des Varietätenraumes durch eine exogene Rahmenstruktur sichtbar und vergleichbar. Dabei sind Varietäten selbst Teilmengen anderer Varietäten, sie überschneiden sich und bilden Schnittmengen. Die kleinste Varietät ist der Ideolekt, also die Sprache eines Sprechers oder die eines Textes. Textimmanente Varietät wird per definitionem nicht betrachtet, obwohl streng genommen manch ein Text (besonders Romane) eine Art Mikrovarietätenraum (Sprache des Erzählers vs. Sprache der Charaktere, etc.) eröffnet. Die primäre Funktion eines Varietätenkorpus ist die Ausdifferenzierung von Varietäten.
Definition „Varietätenkorpus“:
„In den meisten großen Korpora wird zu jeder vorgesehenen Annotationsebene, wie z.B. Wortart-Ebene oder Lemma-Ebene, genau eine Interpretation angeboten“
(Lüdeling, A. (2007): Das Zusammenspiel von qualitativen und quantitativen Methoden in der Korpuslinguistik. In: Kallmeyer, W. / Zifonum, G. (eds.): Sprachkorpora – Daten mengen und Erkenntnisfortschritt (= Institut für Deutsche Sprache, Jahrbuch 2006). Berlin, New York. S. 28 – 48.)
STTS (Stuttgart-Tübingen Tagset)
CLAWS Tag Set /Penn Treebank Tag Set
Hunden_NN_MASK_AKK_PL
MULTEXTRichtlinien
MSD (morpho syntactic descriptions)
Ncmsis equivalent to
PoS:Noun,
Type:common,
Gender:masculine,
Number:singular“
n Token
m Tags
Können konkurrierenKönnen widersprüchlich sein
Erweiterbarindividuell
Token 1 : Tag 1 manuell durch xyz eingefügtToken 1: Tag 73 auto 73%
Token 1: Tag 132 auto 52%Token 2: Tag 2 auto 95%
Token 2: Tag 132 auto 67%
KEINE NULLSTELLEN !!!
Strikte Trennung von Annotations- und Referenzebene
Keine Redundanz Ein Wortform = eine ID 3 Entitäten: Lemmata, Typs und Tags Entitäten können bei Suchabfragen beliebig
kombiniert werden.
Ausblick
Statistisch abgesicherte Daten für beliebige Vergleichsabfragen in allen Dimensionen des Varietätenraumes
Benutzerfreundlichkeit durch AJAX-Technologie (Visualisierung)
Dynamik, Flexibilität und Erweiterbarkeit Übersetzungssoftware und
Textverarbeitungsprogramme
