Start	Web als Korpus
Definition	Erstellung

Korpustypen und ihre Zusammensetzung

Reine Textkorpora

Diese liegen in geschriebener Form vor. Das kann also eine Sammlung an Texten sein, oder auch eine Sammlung von transkribierter mündlicher Sprache.

Beispiele

Korpora geschriebener Gegenwartssprache des IDS http://www.ids-mannheim.de/kt/projekte/korpora/ Bestand: über 2 Milliarden Token DWDS-Korpus http://www.dwds.de/ Bestand: 1.2 Milliarden Token (intern), 100 Millionen Token (öffentlich) Schweizer Textkorpus http://www.schweizer-textkorpus.ch/ Im Testbetrieb besteht das Korpus nun aus etwa 10 Mio. Token. Im Endausbau sind 20 Mio. Token geplant. Dortmunder Chatkorpus http://www.chatkorpus.uni-dortmund.de/ Bestand: 1.1 Mio. Token aus 150'000 Chat-Beiträgen. British National Corpus (BNC) http://www.natcorp.ox.ac.uk/ Bestand: über 100 Millionen Token

Sprachkorpora

Hier liegen die Daten nicht (nur) transkribiert vor, sondern auch als Audio- und/oder Videoaufnahmen. Die Daten müssen dann mit phonetischen und linguistischen Informationen annotiert (angereichert) sein.

Beispiele

Datenbank Gesprochenes Deutsch (DGD) des IDS http://www.ids-mannheim.de/ksgd/dgd/ Bestand: ca. 900 Videoaufnahmen, 16'300 Tonaufnahmen mit einer Gesamtdauer von 4400 Stunden, sowie 6650 Transkripte Diverse, meist englischsprachige Korpora, die aber oft nicht öffentlich zugänglich sind. Auswahl: http://www.korpuslinguistik.de/ Öffentlich z.B.: MICASE - Michigan Corpus of Academic Spoken English http://www.lsa.umich.edu/eli/micase/index.htm

Multimodale Korpora

Sprachkorpora, die mit zusätzlichen Informationen wie Prosodien, Mimik, Gestik etc. angereichert sind. Normalerweise ist dann auch eine Videoaufnahme zum Transkript erhältlich.

Beispiele

Archiv für Gesprochenes Deutsch des IDS http://agd.ids-mannheim.de/ Bestand: ca. 900 Videoaufnahmen, 16'300 Tonaufnahmen mit einer Gesamtdauer von 4400 Stunden, sowie 6650 Transkripte Die Videoaufnahmen sind jedoch nicht öffentlich zugänglich.

Baumbanken/Treebanks

Die Bezeichnung verweist auf die Syntaxbäume - die hierarchische Darstellung der syntaktischen Struktur eines Satzes. Baumbanken sind also schriftliche Korpora, die mit solchen Syntaxbäumen annotiert sind.

Beispiel

TIGERCorpus http://www.ims.uni-stuttgart.de/projekte/TIGER/TIGERCorpus/ Bestand (Version 2): 900'000 Token aus der Frankfurter Rundschau; halbautomatisch syntaktisch und mit Wortarten/Lemma-Informationen annotiert. Beispiel eines Satzes aus TIGER: Die "Tübinger Baumbank des Deutschen/Schriftsprache" (TüBa-D/Z) http://www.sfs.uni-tuebingen.de/de_tuebadz.shtml Bestand (Release 3): ca. 470'000 Token aus der taz (die tageszeitung), von Hand morphosyntaktisch annotiert. Die Baumbank kann u.a. mit dem Tiger Search Tool durchsucht werden. Nach Registrierung für wissenschaftliche Zwecke kostenlos erhältlich, wobei als Basis die taz-CD-ROM für momentan 50 Euro gekauft werden muss. Die "Tübinger Baumbank des Deutschen/Spontansprache" (TüBa-D/S) http://www.sfs.uni-tuebingen.de/de_tuebads.shtml Bestand: ca. 360'000 Token, von Hand morphosyntaktisch annotiert Die Baumbank kann u.a. mit dem Tiger Search Tool durchsucht werden. Nach Registrierung für wissenschaftliche Zwecke kostenlos erhältlich. Die "Tübinger Baumbank des Deutschen/Spontansprache" (TüBa-D/S) http://www.sfs.uni-tuebingen.de/de_tuebads.shtml Bestand: ca. 360'000 Token, von Hand morphosyntaktisch annotiert Die Baumbank kann u.a. mit dem Tiger Search Tool durchsucht werden. Nach Registrierung für wissenschaftliche Zwecke kostenlos erhältlich.

semtracks verzeichnet im semtracks Corpora Directory frei verfügbare Korpora verschiedener Sprachen.

Vgl. Carstensen et al. (2001, 369f.), Lemnitzer/Zinsmeister (2006, 102ff.)

Definition	Erstellung
Start	Web als Korpus