Daten beschaffen

• Grösstes Problem ist die Art der Verfügbarkeit der Texte. Im Idealfall kann man für ein Korpus bereits elektronisch verfügbare Daten verwenden. So kann auf eine grosse Menge von ab etwa 1995 erschienenen Zeitungstexten elektronisch zugegriffen werden. Andere Textsorten oder ältere Daten müssten aber oft zuerst elektronisch erfasst werden. Zwar gibt es inzwischen Methoden der automatischen Texterkennung (OCR), doch ist auch dann der Aufwand dafür beträchtlich. Interessant ist in diesem Zusammenhang natürlich auch die Nutzung des WWWs als Korpus.
  
• In vielen Fällen sprechen Copyright-Gründe gegen eine Verwendung. Hier muss sorgfältig abgeklärt werden, ob die Daten für die geplante Untersuchung verwendet werden dürfen. Meistens kann man eine einvernehmliche Lösung finden, wenn man garantiert, die Daten nur für wissenschaftliche Zwecke zu verwenden. Doch ist es selten erlaubt, die Daten z.B. als Anhang zu einer Publikation öffentlich zu machen.
• Der Umfang des Korpus muss in einem handhabbaren Mass bleiben. Je nach eingesetzter Technik für die Verwaltung sowie die Analyse der Daten stösst man hier auf Grenzen. Zwar sind Speicherkapazität und Rechengeschwindigkeit immer weniger ein Problem, andererseits ist der Aufwand, z.B. 10 Jahrgänge einer Tageszeitung in elektronischer Form zu beschaffen, anschliessend in ein Korpus zu überführen, zu verwalten und zu analysieren doch beträchtlich. Und: Für die Analyse gilt nicht in jedem Fall, das mehr Daten auch bessere Analysemöglichkeiten bedeutet.

Mögliche Quellen

• Zeitungen/Zeitschriften: Die LexisNexis-Datenbank ist wohl die umfangreichste Sammlung an Zeitungs- und Zeitschriftentexten aus aller Welt. Hier sind die kompletten digital erhältlichen Archive der wichtigen Presseverlage erhältlich. Die Nutzung der Datenbank ist kostenpflichtig, über Universitätsbibliotheken erhält man jedoch oft Zugang dazu, so auch über die Zentralbibliothek der Universität Zürich (Zugang nur innerhalb des Universitäts-Netzes oder über eine VPN-Verbindung von zuhause auf das Uni-Netz!).
• Belletristik: Das Projekt Gutenberg sammelt deutschsprachige belletristische Texte, deren Copyright verfallen ist, und kann inzwischen eine beachtliche Menge vorweisen. Ähnlich verfährt die internationale Version (gutenberg.org), die auch auf andersprachige Texte verweist. Nachteil: Die Texte sind immer wieder etwas anders formatiert und verteilen sich auf mehrere Seiten, die man nachher wieder zusammenfügen muss. Auch kann die Datenbank nicht ganz so flexibel verwendet werden.
• Politik: Die meisten Parlamente veröffentlichen ihre Wortprotokolle der Debatten, so auch das schweizerische Parlament (Amtliches Bulletin), der deutsche Bundestag (Plenarprotokoll) oder das österreichische Parlament (stenographische Protokolle). Zudem sind zusätzlich unzählige Dokumente (Parteiprogramme, Gesetzestexte, Verlautbarungen etc.) elektronisch verfügbar.
• Eigene Daten: Wie wäre es, das eigene E-Mail-Archiv als Korpus zu nutzen? Oder die eigene SMS-Sammlung zu analysieren?
• WWW: Anstatt das Web als Ganzes als Korpus zu nutzen, kann man sich natürlich auch systematische Textsammlungen zusammenstellen, z.B. aus Internet-Foren, Chats oder Webseiten von Chüngelizüchter.