3.6. Resümee

Key points des Kapitels

Korpora als Forschungsobjekte

Korpora sind systematisch zusammengestellte Sammlungen maschinenlesbarer Textdokumente. Je nach Forschungszweck können verschiedene Strategien zum Aufbau gewählt werden, von vollständigen bis hin zu repräsentativen Stichproben.

Digitale Textformate

Für die Korpuserstellung stehen unterschiedliche Formate zur Verfügung: Bilddigitalisate (PDF, PNG) für visuelle Authentizität, Plain Text (TXT) für einfache Verarbeitung, XML/TEI für strukturierte Auszeichnung und CSV für tabellarische Annotationen.

Metadaten

Die systematische Dokumentation erfolgt durch Metadaten auf zwei Ebenen: Korpus-Metadaten beschreiben die Gesamtsammlung, Element-Metadaten die einzelnen Dokumente. Etablierte Standards wie Dublin Core bieten hierfür standardisierte Schemata.

Korpusauswahl anhand von Metadaten

Für unsere Fragestellung haben wir drei frei verfügbare Korpora deutschsprachiger Prosa – ELTeC-DEU, d-Prose und das Corpus of German-Language Fiction – anhand ihrer Metadaten verglichen, vor allem im Hinblick auf ihre zeitliche Abdeckung. Nur das Corpus of German-Language Fiction deckt das gesamte 19. Jahrhundert ab und wurde deshalb ausgewählt – trotz seiner ungleichmäßigen, nicht repräsentativen Verteilung.

Filterung und balanciertes Sampling

Aus diesem Ausgangskorpus haben wir durch Filterung und Sampling ein zeitlich balanciertes Forschungskorpus gebildet: Wir haben auf das 19. Jahrhundert eingegrenzt, pro Jahrzehnt mindestens 50 Texte verlangt und daraus zwei unabhängige Zufallsstichproben zu je 450 Texten gezogen (Korpus I und Korpus II). Die parallele Auswertung beider Stichproben erlaubt es später, die Robustheit der Ergebnisse gegenüber der konkreten Zufallsauswahl einzuschätzen.

In diesem Kapitel haben wir zunächst geklärt, was Korpora als Forschungsobjekte ausmacht, welche digitalen Textformate infrage kommen und welche Rolle Metadaten für die Beschreibung eines Korpus spielen. Auf dieser Grundlage haben wir ein passendes Ausgangskorpus ausgewählt und es durch Filterung und balanciertes Sampling zu unserem Forschungskorpus – den beiden Stichproben Korpus I und Korpus II – verdichtet. Damit steht das Korpus bereit und kann im nächsten Kapitel linguistisch aufbereitet und annotiert werden.