Ansätze für digitale und korpusbasierte Wortschatzanalysen

1. Hintergrund

Nachwuchsgruppe

• Computergestützte Literarische Gattungsstilistik
• Nachwuchsgruppe am Lehrstuhl für Computerphilologie und Neuere Deutsche Literaturgeschichte in Würzburg (2014-2019)
• Frage nach dem Verhältnis von Gattung und Stil (Großgattungen, Untergattungen von Romanen, Dramen, etc.)

CLiGS-Textbox

• 9 Sammlungen historischer literarischer Texte
• In verschiedenen romanischen Sprachen: Französisch, Spanisch, Portugiesisch und Italienisch
• Verschiedene Gattungen: Roman, Theaterstücke, kürze Erzählungen

CLiGS-Textbox

• Texte: 550
• Tokens: 15 Mio.
• In XML-TEI, PDF und plain text
• Metadaten
• Sprachliche Annotation (Freeling)

CLiGS-Textbox

• Collection of 19th Century Spanish-American Novels (1880-1916): 24 novels
• Corpus of Spanish Novels from 1880-1940: 39 novels
• Collection de nouvelles françaises du dix-neuvième siècle: 28 novellas
• Collection de romans français du dix-neuvième siècle: 36 novels.
• Collection de pièces the théâtre français du dix-septième siècle: 100 plays.
• Collection of 19th Century Portuguese Novels (1840-1910): 30 novels
• Collection of Italian Short Stories and Novellas (1880s-1920s): 90 short stories and novellas
• Corpus of Spanish Short Stories from 1880-1940: 193 single short stories
• Collection of Italian Novels (1850 and 1890): 10 novels

CLiGS-Textbox

CLiGS-Textbox

• Als GitHub-Repository veröffentlicht
• Die Texte sind frei verfügbar (CC BY)
• In Zenodo archiviert (DOI: 10.5281/zenodo.597430)

CLiGS-Textbox

2. Beispiele für digitale Wortschatzanalysen

Ermittlung distinktiver Merkmale von Textgruppen mit Pyzeta

Zeta

• Maße der Distinktivität von Merkmalen ("keyness")
• Von Burrows (2007) vorgeschlagen
• Sehr verbreitet in Stylometrie und Digital Humanities
• Implementiert in stylo oder pyzeta

Zeta

• Welches sind die Wörter, die spanische Romane von hispanoamerikanischen Romane unterscheiden?
• 24 spanische Romane vs. 24 hispanoamerikanische Romane (Argentinien, Kuba und Mexiko)
• Lemmatisiert, Zeta, Split = 10.000

Zeta

Zeta

Vergleich mit Häufigkeiten in CORDE

Analyse von Wortfeldern mit dem Nuevo diccionario histórico del español (NDHE)

NDHE und Wortschatz in Romanen

• Nuevo diccionario histórico del español: web.frl.es/DH
• José Antonio Pascual und Mar Campos Souto (Instituo Rafael la Pesa, RAE)
• Makrostruktur des Lexikons nach Wortfeldern
• Krankheiten, Waffen, Instrumente...

NDHE und Wortschatz in Romanen

• Tauchen Krankheiten (bzw. Wortschatz über Krankheiten) in naturalistischen Romanen häufiger auf?
• Tauchen Waffen in Gaucho-Romanen häufiger auf?
• Tauchen Waffen in historischen Romanen häufiger auf?

NDHE und Wortschatz in Romanen

• Binarisierung von Untergattungen (z.B. naturalistisch vs. nicht-naturalistisch)
• Lematisiert
• Nur die Lemmata behalten, die zu einem bestimmten Wortfeld gehören
• Zum Beispiel: von 481 Lemmata in NDHE mit Bezug zu Krankheiten kommen nur 28 in den Romanen vor
• Durschnittliche relative Häufigkeit pro Roman

NDHE: Krankheiten in naturalistischen Romanen

NDHE: Waffen in Gaucho-Romanen

NDHE: Waffen in historischen Romanen

Wortschatzvergleich mit dem Diccionario de la lengua española de la Real Academia (DRAE)

Ausgangspunkt:

• Diccionario de la lengua española de la Real Academia (DRAE)
  • aktuell 23. Edition (2014)
  • > 93.000 Lemmata
• Analysekorpus
  • Teilsammlung aus der CLiGS Textbox
  • je 18 Romane aus Argentinien und Spanien (19.-20. Jh.)

Fragen

• Wie gut deckt das DRAE das Vokabular der Romane ab?
• Welches Vokabular ist für die Romane spezifisch, in dem Sinne, dass es nicht im Wörterbuch erfasst ist (z.B. "literarisches" Vokabular) oder besonders markiert ist, (z.B. historisches Vokabular)?
• Welche Unterschiede gibt es zwischen den Texten aus Spanien und Hispanoamerika?

Aufbereitung des Lexikons

• lexikographische Informationen müssen extrahiert werden
• E-Book des Wörterbuchs: Konversion in einfaches XML-Format
• Felder:
  • Lemma
  • grammatische Kategorie
  • ob es Wortbedeutungen gibt, die geographisch oder stilistisch markiert sind

Aufbereitung des Analysekorpus

• Annotation der TEI-Fassungen der Romane mit FreeLing
  • Lemmata
  • grammatische Kategorien
  • Auswahl: Substantive, Verben, Adjektive, Adverbien

Ergebnisse:

Verteilung der Wortarten

Wörter im Korpus, die in DRAE vorkommen

Nicht abgedeckte Wörter

Zwischenfazit

Analyse der häufigsten Wörter, die nicht im DRAE vorkommen, zeigt eher Besonderheiten der Daten und Interdependenzen zwischen NLP-Werkzeugen und dem Wörterbuch auf als stilistische Besonderheiten der Romantexte.

Ergebnisse, die auch in sprach- und literaturwissenschaftlicher Hinsicht interessant sind?

Zwei Autoren

• Eduardo Ladislao Holmberg (1852-1937), Argentinien
• Emilia Pardo Bazán (1851-1921), Spanien

Nicht-DRAE-Wortschatz Holmberg

Nicht-DRAE-Wortschatz Pardo Bazán

Ergebnisse: Wörter, die nicht in DRAE vorkommen

• globale und quantitative Analyse
  • orthographische und grammatikalische Eigenschaften des Korpus
  • Funktionsweise der Lemmatisierung
• Analyse des außergewöhnlichen Vokabulars einzelner Autoren
  • stilistische Besonderheiten der literarischen Texte aufdecken

Markiertes Vokabular

Welche der Wörter aus den Romanen, die in DRAE enthalten sind, gelten als:

• veraltet/historisch
• geographisch markiert (Spanien, Amerika/Argentinien)
• dialektal
• umgangssprachlich?

Markiertes Vokabular

Struktur eines Eintrags in DRAE

Fazit DRAE

• DRAE nützlich auch für quantitative Wortschatzanalysen
• Großteil des Vokabulars der Romane abgedeckt
• Lexikon-basierte Analysen hilfreich (nicht-standardisiertes Vokabular, Anteile von Wortkategorien, etc.)
• aber: mehr wäre möglich!
  • semantisch aufbereitete digitale Version des Lexikons
  • frei zugänglich über Programmierschnittstelle

Fazit

• Textbox: Verbesserung der Verfügbarkeit von (historischen) literarischen Texten in romanischen Sprachen
• Wortschatzanalysen:
  • verschiedene mögliche Ansätze zur Untersuchung der Textbox-Quellen
  • Integration von Quellen und sprachwissenschaftliche Resourcen
  • Pyzeta: distinktive Lemmata für Spanien und Hispanoamerika
  • NDHE-Wortfelder: für Roman-Untergattungen spezifische Bereiche
  • DRAE: Wortschatz der Texte im Verhältnis zum Referenzwörterbuch

Fazit

• Ausblick: Kombination von digitalen Tools, kritischen Editionen, Korpora und linguistischen Ressourcen: neue Fragen, neue methodische Wege
• nötig dafür: Standards verwenden, offene Bereitstellung von Ressourcen!

Literaturhinweise

• DLE/DRAE = Real Academia Española (2014): Diccionario de la lengua española. 23.ª edición. Madrid. dle.rae.es
• NDHE = Pascual, José Antonio / Mar Campos Souto (2013): Nuevo diccionario histórico del español. Madrid: Instituto de investigación Rafael Lapesa de la Real Academia Española. web.frl.es/DH/
• Padró, Lluís / Evgeny Stanislovsky (2012): «FreeLing 3.0: Towards Wider Multilinguality», Proceedings of the Language Resources and Evaluation Conference, Istanbul. nlp.lsi.upc.edu/publications/papers/padro12.pdf
• Schöch, Christof / Albin Zehe / José Calvo Tello (2018): «Burrows Zeta: Varianten und Evaluation», DHd 2018 Kritik der digitalen Vernunft. dhd2018.uni-koeln.de/programm/

Vielen Dank!

Folien unter: https://hennyu.github.io/koll_rom_18/

CLiGS: http://cligs.hypotheses.de/

Textbox: https://github.com/cligs/textbox/

CC-BY 4.0