Alle Beiträge von Adrien Barbaresi

Über Adrien Barbaresi

Seit 2013 wissenschaftlicher Mitarbeiter im Zentrum Sprache an der BBAW, beteiligt an verschiedenen Projekten im Bereich Korpusressourcen und Computerlinguistik. Seit 2019 Mitarbeiter beim Zentrum für digitale Lexikographie der deutschen Sprache, dort verantwortlich für die Erschließung und Verarbeitung von Webkorpora. Adrien führt einen wissenschaftlichen Blog.

Ein Blick in die Werkstatt: Bestimmung des Veröffentlichungsdatums bei Webseiten

Datenkuration, DWDS, Forschungsdaten, ,

Datumsangaben als wissenschaftlicher Gegenstand

Obwohl Text im Web allgegenwärtig ist, kann sich das Extrahieren von Webseiteninformationen als schwierig erweisen. Webdokumente gibt es in ganz unterschiedlichen Formaten, vor allem wegen der großen Vielfalt an Genres, Plattformen und Content-Management-Systemen und nicht zuletzt aufgrund sehr unterschiedlicher Publikationsziele seitens der jeweiligen Betreiber.

In den meisten Fällen enthalten die unmittelbar zugänglichen Daten auf abgerufenen Webseiten keine substanziellen oder genauen Informationen: Weder die URL noch die Serverantwort bieten eine zuverlässige Möglichkeit, ein Webdokument zu datieren, d.h. herauszufinden, wann es veröffentlicht oder möglicherweise verändert wurde. In diesem Fall ist es notwendig, das Dokument vollständig zu erkunden oder anhand von robusten Heuristiken zu durchforsten. Diese Aufgabe wird häufig Web Scraping genannt (gezieltes Extrahieren der benötigten Daten).

Ein Blick in die Werkstatt: Bestimmung des Veröffentlichungsdatums bei Webseiten weiterlesen →

Die Webkorpora im DWDS: Jahresrückblick

DWDS, Korpora, Neuigkeiten,

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.

Die Webkorpora im DWDS: Jahresrückblick weiterlesen →

Digillu-Workshop: Zusammenstellung und Erschließung von Korpusdaten

Tagungsberichte, , , , , ,

Beschreibung

Methoden zur Zusammenstellung und Erschließung von Texten werden nicht nur in der Linguistik, sondern allgemein in den Geisteswissenschaften und jenseits von fachlichen Grenzen vielseitig eingesetzt, nicht zuletzt seit dem empirical turn. Ohne maschinell gestützte Herangehensweisen sind manche Textsammlungen nicht mehr produktiv für die Forschung zu greifen, zu überprüfen oder zu durchleuchten. Es wird nicht mehr nur gelesen, es wird immer häufiger auch eingelesen, wobei diese Entwicklung und die damit einhergehenden Denkverfahren, Arbeitsschritte und Standards hinterfragt und eingeordnet werden sollten.

Digillu-Workshop: Zusammenstellung und Erschließung von Korpusdaten weiterlesen →

Deutsch-französische Tagungsreihe zur illustrierten Presse

Neuigkeiten,

Hintergrund

Seit dem Ende des 19. Jahrhunderts spielt die illustrierte Presse (Publikumszeitschriften, Illustrierte Beilagen, Satirische Presse) eine wichtige Rolle als Massenmedium, vor allem in Deutschland und Frankreich, wo sich Modelle etablierten, die sich später in ganz Europa verbreiten sollten. Mit ihren hohen Auflagen, ihrem informativen und zugleich unterhaltenden Charakter und letztlich ihrem Status als Vermittler gesellschaftlicher Sinnbilder wird sie zu einer Quelle der Wahl für Kulturhistoriker. Im Hinblick auf die Kreuzung von Methoden mit Fächern wie die Soziologie und die Politik- und Kommunikationswissenschaften ist die illustrierte Presse ein priviligierter Untersuchungsgegenstand insbesondere für Gender Studies, Visual Studies und Diskursanalyse.

Deutsch-französische Tagungsreihe zur illustrierten Presse weiterlesen →

Tagungsbericht: Workshop zu digitaler Kommunikation

Tagungsberichte, ,

Digitale Kommunikation in ihren verschiedenen Formen prägt unsere heutige Gesellschaft und Sprache. Daher ist die Analyse und Dokumentation des Sprachgebrauchs in digitalen Medien nicht nur für die Sprachwissenschaft, sondern auch von allgemeinem gesellschaftlichem Interesse. Gleichzeitig werden hierbei eine Reihe von ethischen, soziologischen, technologischen und technowissenschaftlichen Fragen aufgeworfen, deren Bedeutung über die Forschergemeinschaft hinaus anerkannt wird, zum Beispiel in der forensischen Analyse, wo Beweismittel online gesammelt und bis zu ihrem Urheber zurückverfolgt werden können.

Dieser Blogbeitrag berichtet vom internationalen CLARIN-PLUS workshop “Creation and Use of Social Media Resources”, der im Mai in Litauen stattfand und auf dem unter anderem die angesprochenen Fragen diskutiert wurden.1 Tagungsbericht: Workshop zu digitaler Kommunikation weiterlesen →

  1. Vgl. dazu auch den englischsprachigen vom Autor dieses Blogbeitrags, A. Barbaresi: „Reflections on the CLARIN-PLUS workshop “Creation and Use of Social Media Resources”“ auf dem CLARIN ERIC-Blog, https://www.clarin.eu/blog/reflections-clarin-plus-workshop-creation-and-use-social-media-resources [Zugriff am 15.11.2017]. [↩]