Notes – das sind meine persönlichen Notizen zur Sprachwissenschaft, gemischt mit Quellcode, Ideen und Dingen, die mich sonst so bewegen. Der fragmentarische Charakter einer Sammelbox ist daher gewollt. Bilder, Fotos und Illustrationen sind nicht nur bunt, sondern visualisieren mein Denken. Daher ist der Blog nicht nur Sammelbox, sondern auch im ursprünglichen Sinn ein gedankliches Tagebuch.

CorpusExplorer – Ein Programm, das aus meiner Magisterarbeit erwachsen ist und im aktuellen Promotionsprojekt weiterentwickelt wird. Der CorpusExplorer vereint eine Vielzahl bekannter computer-/korpuslinguistischer Tools. Er vereinfacht das Arbeiten mit großen Textmengen und erlaubt es, Korpora als Wissensquelle neu zu entdecken … Das Ziel: Sprache und Technik ein Stück näher zusammenzubringen.

CorpusExplorer (Update Q1 2021 – SP1)

Kleines zusätzliches Update - zusätzlich zum Update Q1 2021. Neuerungen: Neues Format für: FOLKER/OrthoNormal FLN (annotieren & Import). Der Post-Analyse-Filter für korrespondierende Layer-Werte kann jetzt auch über die Konsole/Shell genutzt werden. Verbseerungen:...

mehr lesen
CorpusExplorer (Update Q1 2021)

CorpusExplorer (Update Q1 2021)

Vielleicht irre ich mich - aber ich glaube, in 2021 werden einige große Dinge mit dem CorpusExplorer passieren. Zumindest haben sich viele Funktionen angesammelt, die darauf warten veröffentlicht zu werden. Also starten wir mir den Änderungen für Q1 2021: DPXC-Editor...

mehr lesen
ZOOM-Vortrag 26.03.2021: vDHd2021

ZOOM-Vortrag 26.03.2021: vDHd2021

Der Diskursmonitor ist eine gemeinschaftlich erarbeitete Online-Plattform zur Aufklärung und Dokumentation strategischer Kommunikation. 2019 als offenes Lehrstuhlprojekt gestartet, umfasst der Diskursmonitor mittlerweile vier stetig wachsende Teilprojekte: Glossar:...

mehr lesen
‚Posterslam‘ – 2. DigitalHumanities-Tag der WWU Münster

‚Posterslam‘ – 2. DigitalHumanities-Tag der WWU Münster

Das Projekt „Sprache und Konfession im Radio“ stellt sich und den CorpusExplorer im Rahmen des Posterslams vor (2. DigitalHumanities-Tag der WWU Münster).

Video-Player

00:00
02:06

Zum Projekt: Das Christentum hat die deutsche Sprache Jahrhunderte lang stark beeinflusst. Die jüngste Frühe Neuzeitforschung konnte zeigen, dass sogar die Reformation und die anschließende Etablierung verschiedener Konfessionen zu Sprachgebrauchsdifferenzen zwischen Katholiken und Protestanten geführt haben. Für die Gegenwartssprache hingegen ist eine große Forschungslücke bezüglich des Zusammenhangs von Sprache und Konfession zu konstatieren: Untersuchungen zur Pluralität sprachlicher Ausdrucksformen haben Konfession als möglichen sprachlicher Variationsfaktor noch kaum berücksichtigt. Eine Umfrage in 2014 hat jedoch Hinweise darauf gefunden, dass Katholiken und Protestanten mit jeweils unterschiedlichem Wortgebrauch und Sprachstilen, ja sogar differierender Textstrukturierung verbunden werden. Linguistisch untersucht worden sind diese Zuordnungen bislang noch nicht. Ziel dieses Projekts ist es daher, Texte der heutigen öffentlichen Glaubensverkündigung im Radio auf verschiedenen sprachlichen Ebenen von der Themenwahl, der Textstruktur über die Syntax und Wortbildung bis hin zur Lexik zu analysieren und herauszufinden, ob auch heute noch – 500 Jahre nach der Reformation – konfessionelle Sprachgebrauchsdifferenzen festzustellen sind. Damit kann die deutsche Sprachgeschichte um ein wichtiges Kapitel erweitert werden. [Weitere Informationen zum Projekt]

mehr lesen

Summer School (RUB Bochum) – 24. bis 28. August 2020: „tl;dr“ Too long; didn’t read (?) Große Textmengen computergestützt analysieren

Die Summer School beschäftigt sich mit computergestützten Verfahren, um große Mengen digitaler Texte, wie z. B. Internet-Blogs, Social Media-Einträge oder twitter Posts,  zu extrahieren (Web Scraping), zu analysieren und für  empirischen Forschungsprojekte und Abschlussarbeiten zu nutzen. Von korpuslinguistischen Verfahren (Frequenz- und Kollokationsanalysen) bis zu Machine Learning-Algorithmen werden methodische Ansätze aus vielfältigen Disziplinen zusammengebracht und aus der jeweils fachwissenschaftlichen Sicht diskutiert und in Hands-on Sessions in kleinen Gruppen an konkreten Fragestellungen praktisch eingeübt. Die Ergebnisse werden abschließend im Plenum präsentiert und diskutiert. Zur Vorbereitung der Summer School werden den Studierenden 1-2 tägige Workshops angeboten, um sich mit den theoretischen Grundlagen (Lektüre) und den erforderlichen Software-Tools Vertraut zu machen.

mehr lesen
CorpusExplorer (Update Q2 2020 – SP1)

CorpusExplorer (Update Q2 2020 – SP1)

Heute gibt es ein kleines Service Pack (SP) für den CorpusExplorer. Neben wichtigen Stabilitäts- und Performance-Korrekturen enthält das SP folgende neuen Funktionen: Die Volltextanzeige für die Textlinsen-Funktion wurde überarbeitet. Dadurch verbessern sich folgende Aspekte:
Der Text wird schnelle angezeigt – auch bei größeren Textmengen.
Der Text springt automatisch zum ersten Fundstellensatz.
Der Text kann mit der Maus markiert werden und direkt in die Zwischenablage kopiert werden (inkl. Hervorhebung). Zuvor konnte nur der gesamte Text als Plaintext exportiert werden.

Der Quellcode-Editor im Modul HTML5Labor wurde überarbeitet. arbeitet jetzt effektiver und verfügt über einige Sonderfunktionen – wie z. B. Zoom.
Das Modul „NGramme Vergleichen“ gibt jetzt die absolute Frequenz aus und berechnet die Signifikanz zwischen den beiden Schnappschüssen. Zur Signifikanz (das Signifikanzmaß kann in den Projekteinstellungen gewählt werden): Ist eine -1 in der Spalte vermerkt, wurde die Signifikanz nicht berechnet, da das NGram nur in einer der beiden Schnappschüsse vorkommt (-1 bedeutet also: die Signifikanzberechnung wäre unsinnig). Eine liegende Acht (siehe Screenshot – ersten Spalten) bedeutet: Hier tendiert bzw. ist der Signifikanzwert UNENDLICH. Dies deutet auf extreme Unterschiede hin.

mehr lesen

CorpusExplorer (Update Q2 2020)

Lange ist es her. Das letzte Update erfolgte im Q3 2019. Was war passiert? War die Entwicklung eingeschlafen? – Nein, die Entwicklung ging weiter. Es gab nur keine neuen Updates, da der CorpusExplorer als Teil meines Dissertationsprojekts eingereicht wurde und eine Begutachtung erfolgte. Jetzt steht nur noch die Verteidigung für mich an (also bitte Daumen drücken). Traditionell (seit mehr als fünf Jahren) ist das Mai-Update (Q2) immer ein besonders großes Update.

Folgende Neuerungen gibt es:

Korpora werden beim Import automatisch auf Konsistenz und Fehler überprüft. Diese Überprüfung kann jetzt unter „Projekteinstellung“ > „Feature Toggle & Einstellungen“ > „CEC6-Validation?“ deaktiviert werden. Empfehlung: Bitte aktiviert lassen. Falls Sie aber viele Korpora haben, die Fehler enthalten und Sie diese alle auf einmal laden möchten, dann deaktivieren Sie diese Option.
Korpora vereinen überarbeitet – Unter „Projekteinstellungen“ > „Werkzeuge“ > „Korpora vereinen“ war es zuvor nur möglich CorpusExplorer Korpora zu vereinen. Ab jetzt lassen sich alle importfähigen Korpora (wie z. B. CoNLL, TXM, TreeTagger-TXT) einlesen und in alle exportfähigen Formate (z. B. CoNLL, Weblicht, DTA-TCF) exportieren (vereinen).
Tipp: Wer große Korpora hat, sollte eher den QuickMode nutzen. Dazu geht man wie folgt vor: CorpusExplorer sollte NICHT laufen. Drücken Sie die Tastenkombination STRG + R, um „Ausführen“ anzuzeigen. Geben Sie in das Eingabefeld folgendes ein und bestätigen Sie mit „Ok“: CorpusExplorer –conv
Der DPXC-Editor (Addon) wurde verbessert. In den kommenden Wochen wird es hier ein größeres Feature-Release geben, das einige oft nachgefragte Funktionen mit sich bringt.
CEC6-Dateien können jetzt erneut über „Dokumente annotieren“ erneut annotiert werden.
Alle Tabellen-Visualisierungen verfügen jetzt über einen Delay von 500ms bei der Suche. D. h. nicht jeder Tastendruck bei der Suche führt zum sofortigen Auslösung der Suchfunktion (wie bisher). Auch wenn es merkwürdig klingt, eine Verzögerung führt hier zu einer Beschleunigung (die GUI fühlt sich schneller an).
Arbeiten zum QuickIndex v3 wurden abgeschlossen. Die Resultate finden aktuell nur im Projekt diskursmonitor.de Anwendung, werden aber auch bald im CorpusExplorer verfügbar sein. QuickIndex ist ein auf linguistische Annotationen optimierter Suchindex, grob ähnlich zu Lucene (wobei Lucene andere Grundannahmen trifft), der wenige Daten im Arbeitsspeicher halten muss um effizient zu sein.
Verbesserung der Sentiment-Compiler (für komplexere Sentiment-Abfragen anstelle von Einzeltoken).
Neue Funktionen für die CEC (CorpusExplorer Console):
hash – Berechnet Hashwert für alle Dokumente. Erlaubt die Identifikation von absolut identischen Dokumenten.
hash-roll – Berechnet rollende Hashwerte für alle Dokumente. Erlaubt die Identifikation von teilweise identischen Dokumenten.
Verbesserungen bei folgenden Dateiformaten:
Tiger-XML (verbesserter Import)
IDS I5-Korpora (neu – Scraper)
TXM (neu – Import/Export/Scraper)
CorpusWorkbench (Exporter)
BAWE (neu Scraper)
BNC (neu Scraper)
Umstellung auf „.NET Framework“ 4.6.1
FeatureFox-Framework v1 – Dieses Projekt befasst sich mit der Frage, wie man die GUI und den gesamten CorpusExplorer so entschlanken kann, das nur die benötigten Module geladen werden. Hierzu wird es im Q3 2020 eine grundlegende Überarbeitung der Funktionen geben.
Allgemeine Verbesserungen, Aktualisierung von Drittkomponenten und kleiner Bug-Fixes.

mehr lesen

Vortrag am 25.11.2019: „Erstellen und Erschließen von Korpusdaten mittels CorpusExplorer“ im Rahmen des „Digillu-Workshop: Zusammenstellung und Erschließung von Korpusdaten“ an der BBAW

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.

Der am 25.11. an der BBAW stattfindende Workshop bietet eine interdisziplinäre, mehrsprachige Bühne für einen wissenschaftlich fundierten Austausch. Im Blickpunkt stehen verschiedene Prozesse des Lesens, zum Beispiel die Erfassung von Keilschrift und Frakturschrift, bis hin zum tatsächlichen Einlesen mithilfe korpus- und computerlinguistischer Werkzeuge. Das breite fachliche Spektrum (u.a. Amerikanistik, Linguistik, Philosophie) und der Fokus auf junge, international aktive Forscher*innen werden dem Workshop ein besonderes Momentum verleihen.

mehr lesen