Die Webkorpora im DWDS: Jahresrückblick

Mit Hilfe großer Korpora können Hypothesen über die Verwendung lexikalischer Einheiten empirisch belegt werden. Das DWDS bietet dafür, neben den zeitlich und in Bezug auf Textsorten ausgewogenen Referenzkorpora und den Zeitungskorpora, eine Reihe von allgemeinen und spezialisierten Korpora an. Letztere heben sich hinsichtlich ihres Gegenstandes oder ihrer sprachlichen Charakteristika von den erstgenannten Korpora ab.

Wie aber werden für das Webkorpus relevante Webseiten “entdeckt”? Es gibt derzeit kein umfassendes Verzeichnis von Webseiten oder Blogs, von dem man für die Zusammenstellung einer solchen Textsammlung ausgehen könnte. Es bedarf also maschineller Methoden, das Web wird via Webcrawling erkundet und Funde im Anschluss in Bezug auf ihre Qualität bewertet. Bei diesem Vorgehen streben wir über die Integration statistischer Merkmale und über formale Kontrollen an, ein Gleichgewicht hinsichtlich des Inhalts zu gewährleisten. Auf diese Weise haben wir die Webkorpora im DWDS auch im Jahr 2020 massiv erweitern und umstrukturieren können. Dieser Blogeintrag möchte die wichtigsten Änderungen und Neuerungen zusammenfassen.

Kuration und Zusammenfassung der älteren Webkorpora

Die bereits vorhandenen Webdaten wurden hinsichtlich ihrer Adäquatheit gesichtet, außerdem wurden die Entdeckungs- und Extraktionsverfahren verbessert (dafür genutzte Software, s.u.). Die Daten sind nun in zusammengefasster Form von einer Suchmaske aus durch das Metakorpus WebXL en masse abfragbar. Dies ermöglicht Korpusrecherchen auf der Basis großer Textmengen, derzeit über 11 Milliarden Tokens.

Das Metakorpus besteht hauptsächlich aus dem ihm zugrundeliegenden allgemeinen Webkorpus, das mehrere Hunderttausend unterschiedliche Webseiten auf Deutsch (vor allem aus Deutschland, Österreich und der Schweiz) umfasst. Aus formaler Sicht müssen relevante Seiten für die lexikographische Arbeit wichtige Metadaten wie Datum und Titel aufweisen, das Korpus enthält also vergleichsweise viele Blogeinträge. Die Webseiten werden sowohl professionell (z. B. von Nachrichtenredaktionen oder Firmen) als auch privat (von Vereinen, Gemeinschaften, Einzelpersonen mit Hobbys) betrieben, so dass das Korpus Sprechsituationen unterschiedlichster Art abdeckt.

Alle Webkorpora werde nun auf Übersichtsseiten aufgelistet und beschrieben. So kann man sich einen Überblick über ihre Zusammensetzung aus allgemeinen und thematisch fokussierten Textsammlungen verschaffen. Sie werden nach und nach erweitert und aktualisiert.

Tabellarische Übersicht der Webkorpora
Momentaufnahme, Dez. 2020

Neu entstandene Spezialkorpora

Medizinkorpus

Das Webkorpus Medizin ermöglicht es, die deutsche Sprache rund um das Thema „Medizin im Internet“ linguistisch zu untersuchen. Es erlaubt qualitative Einsichten in die Expert:innen-Laien-Kommunikation zu medizinischen Themen sowie in Erfahrungsberichte von Patient:innen und Mediziner:innen.

Ziel bei der Textauswahl war es, eine möglichst ausgeglichene Textsammlung herzustellen: Es finden sich Erfahrungsberichte von Personen aus entsprechenden Berufsgruppen, die aus ihrem Alltag in der Praxis erzählen – von der Medizinstudentin über den Krankenpfleger bis zur Chirurgin und viele mehr. Auch die Gegenperspektive ist im Korpus analysierbar: Die Sammlung beinhaltet Geschichten von Erkrankten, die in Blogs und Interviews von ihren Erfahrungen mit dem Krank-Sein und der medizinischen Behandlung erzählen.

Jurakorpus

Das Webkorpus Jura ermöglicht qualitative linguistische Untersuchungen der deutschen Sprache in Bezug auf juristische Themen im Internet. Entsprechend finden sich darin zahlreiche so genannte »Blawgs«, Jura-Blogs von Jurist:innen, die von ihrer Arbeit berichten und juristische Themen für ein breites Publikum aufbereiten.

Des Weiteren wurden Webseiten von Kanzleien – so sie Informationen vermitteln, die über das bloße Bewerben ihrer Kanzleien hinausgehen – aufgenommen. In die Kategorie der Vermittlung juristischen Wissens gehören auch Informations- und Nachrichtenseiten.

Coronakorpus

Das Coronakorpus sammelt deutschsprachige Webseiten, die sich mit der COVID-19-Pandemie (u. a. aus einer erkenntnistheoretischen, gesellschaftlichen, politischen oder wirtschaftlichen Perspektive) und mit dem Virus selbst (u. a. aus medizinischer Sicht) beschäftigen. Das Korpus wird sukzessive aktualisiert, zuletzt Ende November 2020.

Bei der Aufstellung wurden bestimmte Kriterien beachtet, um ein Gleichgewicht zwischen den Quellen zu sichern, damit das Korpus vielfältig/vielschichtig und bezüglich Quelle/Land und bestmöglich Genre ausgewogen bleibt. Das zusammengetragene Material wird öffentlich zur Verfügung gestellt, was das Korpus weitestgehend reproduzierbar macht.

Aktualisierung des Korpus „Mode- und Beautyblogs“

Die Textsammlung zum Thema „Mode- und Beautyblogs“ besteht nun aus mehreren Hundert Blogs, die ihrem inhaltlichen Fokus und ihrer Prominenz entsprechend ausgewählt worden sind. Die Überschneidungen zwischen Mode- und Beauty-Blogs sind zahlreich, doch sollte der Bereich Mode als der thematische Schwerpunkt der Sammlung immer erkennbar sein.

Die meisten erfassten Webseiten decken ein breiteres Themenspektrum ab und weisen in dieser Hinsicht untereinander erstaunliche Ähnlichkeit auf: Zahlreiche Einträge widmen sich beispielsweise den Themen Lifestyle und Reise, auch Einträge zu Themen wie Familie bzw. Mutterschaft, Essen, Fitness, Interior Design usw. wurden ins Korpus integriert.

Dokumentation, Reproduzierbarkeit und Software

Die computergestützten Werkzeuge zur Sammlung und Kuration der Webkorpora werden für die Transparenz des Verfahrens und mit Blick auf die Reproduzierbarkeit der Ergebnisse online gestellt und dokumentiert.

Das grundsätzliche Problem besteht darin, dass die Originalsammlung selbst nicht uneingeschränkt kopiert und weitergegeben werden darf. Die Nutzung des DWDS-Portals als Suchmaschine ist aber möglich, ebenso wie das Tätigen eigenhändiger Downloads, um die Sammlung zu replizieren. Auf diesem Wege muss kein Zugang zu den Rohdaten gewährt und keine unmittelbare Kopie erzeugt werden.

Die dafür benötigten Tools sind frei und kostenlos verfügbar und erfordern keine fortgeschrittenen IT-Kenntnisse. Der erste vollständig dokumentierte Veröffentlichungsschritt betrifft die Bestimmung des Entstehungsdatums von Webseiten: htmldate, online und in Journal of Open Source Software

Ein nützlicher Nebeneffekt der Bereitstellung von Open Source Code besteht in einer Feedbackschleife: Dritte können die Software testen und gegebenenfalls anpassen oder verbessern.

Bei Interesse an den Quelltexten siehe diese Anleitung: Tutorial: DWDS-Korpusdaten reproduzieren.


Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.