3. Korpusaufbau. Auswählen, sammeln, dokumentieren#
Dieses Kapitel verfolgt die folgenden Lernziele:
Ansätze des Korpusaufbaus und Erstellung basaler Metadaten
Korpora können als geisteswissenschaftliche Forschungsobjekte definiert und deren wesentliche Merkmale beschrieben werden.
Die vier Hauptformate digitaler Texte (Bilddigitalisate, Plain Text, XML/TEI, CSV) können anhand ihrer charakteristischen Eigenschaften unterschieden und deren Vor- und Nachteile für spezifische Anwendungsfälle analysiert werden.
Die grundlegenden Metadatenschemata (Dublin Core, TEI, MODS, METS) und deren charakteristische Elemente für Korpora und Einzeldokumente können beschrieben werden.
Der Prozess der Korpusauswahl unter Einbeziehung der Korpusgröße und des abgedeckten Zeitraums kann in Hinblick auf die Forschungsfrage erläutert werden.
Nachdem im vorherigen Kapitel die Fragestellung dieser Fallstudie und deren Operationalisierung erläutert wurde, muss nun der Forschungsgegenstand im Sinne der Operationalisierung vorbereitet werden. In unserem Fall bedeutet dies, dass wir ein Korpus zusammenstellen müssen, anhand dessen sich (wie es in unserer Operationalisierung heißt) “die deutschsprachigen Literatur des 19. Jahrhunderts” untersuchen lässt.
Fig. 3.1 Flussdiagramm der Fallstudie. Wir befinden uns nun im zweiten Arbeitspaket.#
In diesem Kapitel klären wir zuerst, was wir mit dem Begriff “Korpus” meinen und welche unterschiedlichen Typen des Korpusaufbaus es gibt.
In einem anschließenden Schritt betrachten wir unterschiedliche Erscheinungsformen von “Text” im digitalen Raum. Dabei lernen wir unterschiedliche Formate wie pdf, txt, xml oder csv und deren Vor- und Nachteile kennen.
Um ein Korpus und seine Elemente zu beschreiben, bedarf es Metadaten. Wir werden uns entsprechend in einem folgenden Schritt rudimentär mit dem Konzept von Metadaten befassen und ein basales Metadaten-Schema für unser Korpus und für die Elemete in unserem Korpus entwickeln.
Darauf aufbauend geht es um die Auswahl des Forschungskorpus: Anhand der Metadaten prüfen wir, welche der bereits verfügbaren Korpora zu unserer Forschungsfrage passen – etwa im Hinblick auf den abgedeckten Zeitraum und die thematische Breite – und entscheiden uns für ein geeignetes Ausgangskorpus.
In einem abschließenden Schritt nehmen wir das Sampling und die Filterung des Korpus vor: Wir grenzen das ausgewählte Korpus auf das für unsere Fragestellung relevante Material ein und ziehen daraus zwei zeitlich balancierte Zufallsstichproben (Korpus I und Korpus II), auf denen die späteren Analysen aufsetzen.