Die Rolle der Digitalisierung im Fach „Germanistische Linguistik“
〈1〉 Die Linguistik hat sich seit Mitte der 1990er-Jahre tiefgreifend gewandelt. Während früher vor allem Forschungszweige wie Dialektologie, Gesprochene-Sprache-Forschung oder Historiolinguistik mit empirischen Daten arbeiteten, dringt das empirische Paradigma auch in den großen Kerngebieten linguistischer Forschung (Grammatik, Lexikologie, Pragmatik) gegenwärtig deutlich in den Vordergrund.
〈2〉 Aktuelle empirische Forschung beruht auf repräsentativen Datenbasen, die in Korpora systematisiert sind. Sie basiert auf Sammlungen von linguistischen Forschungsprimärdaten in Form von historischen und gegenwartssprachlichen Texten unterschiedlicher Gattungen / Textsorten, Ton- und Videoaufnahmen sowie Bildern verschiedenster Art, zusammen mit zugehörigen deskriptiven Metadaten.1.
〈3〉 Aufbau und Nutzung digitaler Sprachkorpora haben zu einer intensiven (nicht immer unproblematischen) Kooperationen zwischen Vertreter(innen) der Linguistik und der Informatik / Mathematik geführt. An zahlreichen Universitäten wurden neben der bereits länger bestehenden Computerlinguistik vermehrt Professuren für Korpuslinguistik geschaffen.
〈4〉 Im Unterschied zu den großen Sprachkorpora des Englischen, die in anglophonen Ländern entstanden sind, wurde in Deutschland erst relativ spät mit dem Aufbau großer Referenzkorpora zur deutschen Sprache begonnen. Größere Sprachkorpora zu den historischen Sprachstufen des Deutschen (Altdeutsch, Mittelhochdeutsch, Frühneuhochdeutsch) sind sogar erst seit etwa zehn Jahren im Aufbau. Dieser Umstand hat zur Folge, dass germanistische Sprachhistoriker gegenüber anglistischen Linguisten einen entscheidenden Nachteil hatten und immer noch haben, da sie für die empirische Grundlage ihrer Untersuchung zunächst einmal selbst sorgen müssen.
〈5〉 Das Vorhandensein großer Referenzkorpora für Sprachen in Geschichte und Gegenwart ermöglicht eine noch nie dagewesene Repräsentation der sprachlichen Verhältnisse in größtmöglicher Breite und Vielfalt (diatopisch, diachron, textsortenbezogen etc.). Statistische Auswertungen der Daten auf der Grundlage absoluter Frequenzwerte erlauben signifikante Aussagen zu relativen Häufigkeiten sprachlicher Sachverhalte (z.B. regionalen Varianten, Zweifelsfällen etc.).
〈6〉 Auf der Basis breit aufgestellter und elektronisch verfügbarer historischer Korpora wird es in der Sprachgeschichtsforschung erstmals möglich sein, den Sprachwandel des Deutschen zeitstufen-, sprachraum- und textsortenübergreifend empirisch abgesichert erforschen zu können. Unser Wissen zur Entwicklung der deutschen Sprache fußt im Kern noch immer auf dem Kenntnisstand des 19. Jahrhunderts, der in Wörterbüchern und Grammatiken dokumentiert bis heute in großen Teilen den Hochschulunterricht dominiert.
〈7〉 Für die gesamte Linguistik gilt, dass durch die Nutzung digitaler Korpora die Untersuchung großer Datenmengen und deren statistische Auswertung in der Forschung einen neuen Stellenwert erhalten haben. Datenbasierte Forschung beeinflusst nun auch die Weiterentwicklung theoretischer Ansätze in stärkerem Ausmaß als früher. Dies zeigt sich gegenwärtig an der Dominanz gebrauchsorientierter Ansätze (usage-based) in neueren Forschungsrichtungen, wie etwa der nach Sprachmustern suchenden Kollokationsforschung, der Kognitiven Linguistik oder der Konstruktionsgrammatik, die sich als gebrauchsorientierter Ansatz par excellence versteht. Demgegenüber treten die seit den 1970er Jahren dominierenden regelbasierten Ansätze (rule-based) des generativen Modells in den Hintergrund.
Konzept des Digitalen
〈8〉 Digitale Konzepte der Linguistik betreffen in erster Linie technische Fragen (Datenformate, Annotationstools und Standardisierungen), Fragen nach dem Korpusaufbau, rechtliche Fragen (Datenschutzrecht, Urheberschutz) und Fragen nach der Nachhaltigkeit (Open Access, Repositorien). Eine teildisziplinübergreifende Theoretisierung eines „Konzepts des Digitalen“ innerhalb der Linguistik fehlt weitgehend.
〈9〉 Bei korpusbasierten Projekten der Linguistik müssen für die Aufbereitung des Untersuchungsmaterials folgende Arbeitsschritte bedacht sein: Erhebung der Daten, Digitalisierung, Transkription, Annotation, Alignment (Zuordnung entsprechender Texte in Parallelkorpora), Datenbankprogrammierung, Einstellung der Daten in eine Datenbank, Webdesign und schließlich Auswertung der Daten.
〈10〉 Linguistische Untersuchungen im Kernbereich der Grammatik basieren auf Texten, die als (durchsuchbare) Textdateien vorliegen; im besten Fall handelt es sich um maschinenlesbare Volltexte, die im XML-Basisformat nach den P5-Richtlinien der Text Encoding Initiative (TEI) zur Verfügung stehen. Imagedigitalisate bzw. Bilddateien, die mittels eines Scanners eingelesen werden, erfüllen diese Bedingung nicht, sofern sie nicht mit Hilfe einer Texterkennungs-Software (OCR) in eine Textdatei umgewandelt werden.
〈11〉 Beim derzeitigen Stand der Technik ist es wegen noch zu hoher Fehlerquoten nicht möglich, Drucke der frühen Neuzeit mittels geeigneter OCR-Software automatisch von Bild- in Textdateien umzuwandeln, auch wenn bereits große Erfolge bei der automatischen Erkennung der Frakturschrift zu verzeichnen sind. Gleiches gilt für die automatische Handschriftenerkennung, die gegenwärtig noch hohe Fehlerquoten produziert. Historische Texte als Handschrift oder Druck müssen noch im Double Keying-Verfahren mit Nachkontrolle digital erfasst werden, bevor eine Annotation mit Metadaten erfolgen kann.
〈12〉 Von besonderem Wert sind annotierte Korpora, die neben den reinen Sprachdaten, den Primärdaten, durch Metadaten angereichert sind. Eine linguistische Standardannotation stellt das Part-of-Speech-Tagging (POS-Tagging) dar, das für jedes einzelne Wort automatisch bzw. semi-automatisch die Wortart angibt. Grundsätzlich kann jede sprachliche Ebene (Laut, Buchstabe, Morphem, Satz, Text, Diskurs etc.) mehr oder weniger tief annotiert werden; es besteht auch die Möglichkeit zur Mehrebenen-Annotation (bei strikter Trennung der einzelnen Ebenen, um separate Abfragen zu ermöglichen). Gängige Praxis sind die morphologische Annotation, die einzelne Wörter im Satz mit ihren grammatischen Flexionskategorien versieht, und die Annotation von Wortbildungselementen. Baumbanken (tree banks) sind Korpora, deren Sätze mit syntaktischer Struktur annotiert sind (Parsing). Unabdingbar ist die Lemmatisierung der Korpora, wodurch einzelne Wörter (tokens) einer Vollform (type) zugeordnet werden.
〈13〉 Selbstverständlich sind alle Metadaten zur Textentstehung, Autorschaft, Textsorte, Handschrift – Sammelhandschrift – Druck etc. auch für linguistische Analysen von besonderer Relevanz. Die zuvor händisch erhobenen Daten aus dem zugrundeliegenden Untersuchungsmaterial können nun idealerweise in kürzester Zeit elektronisch durch gezielte Suchanfragen zusammengestellt werden. Einschränkend muss darauf hingewiesen werden, dass die Annotation umfangreicher Textkorpora sehr aufwendig und kostenintensiv ist – mit der Folge, dass diese nur zum Teil Annotationen aufweisen. Zum anderen werden Analyseentscheidungen vorweggenommen, die wissenschaftlich unter Umständen anfechtbar sind.
〈14〉 Im Zuge der Korpuserstellung der historischen Sprachkorpora des Deutschen erhält die diplomatische Transkription von mittelalterlichen Handschriften und frühneuzeitlichen Drucken einen neuen Stellenwert. Hierbei bleibt die ursprüngliche Textgestalt des Dokuments soweit wie möglich erhalten, d.h. (Recht-)Schreibung, Interpunktion und diakritische Zeichen etc. werden buchstabengetreu abgebildet. Die diplomatische Transkription generiert eine Reihe neuer Forschungsfragen in der historischen Linguistik, die bislang bei einer auf mediävistischen Editionen basierenden Sprachgeschichtsforschung nicht ins Blickfeld geraten konnten. Für die meisten linguistischen Untersuchungen sind die in der Tradition der historisch-kritischen Editionspraxis des 19. Jahrhunderts entstandenen mittelhochdeutschen Texteditionen, die in der Lautung und Schreibung, u.a. dem Leseverständnis geschuldet, mehr oder weniger normalisiert sind, nahezu unbrauchbar.
〈15〉 Für die Erforschung der deutschen Sprache sind die am Institut für deutsche Sprache (IDS) in Mannheim angesiedelten Korpora, so etwa das DeReKo (Deutsches Referenzkorpus), oder das von der Berlin-Brandenburgischen Akademie der Wissenschaften verantwortete Korpus des DWDS (Digitales Wörterbuch der Deutschen Sprache) und des Deutschen Textarchivs (Texte von 1600 bis 1900) am meisten bekannt. Die Referenzkorpora zum Altdeutschen (HU Berlin, Univ. Frankfurt, Jena), Mittelhochdeutschen (Univ. Bochum, Bonn, Halle) und Frühneuhochdeutschen (Univ. Bochum, Halle, Potsdam) sind erst zum Teil online verfügbar.
〈16〉 Fazit: Die Linguistik profitiert von der Digitalisierung in besonders starker Art und Weise. Die Auswertung digitaler Korpora hat zum einen eine Reihe neuer Forschungsfragen (und neue disziplinäre Ausrichtungen) hervorgebracht. Neue Kooperationen mit der Informatik und der Mathematik führen zum anderen zu fruchtbaren Synergieeffekten. In der Forschung ist schließlich eine deutliche Aufwertung empirischer Methoden mit statistischen Auswertungsverfahren erkennbar.
〈17〉 Retrodigitalisierung mit Durchsuchbarkeit von Standardwerken, wie z.B. Wörterbüchern, oder die mögliche Georeferenzierung linguistischer Untersuchungsergebnisse, wie etwa in der Variationslinguistik oder Dialektologie, sind auch für die breite Öffentlichkeit von großem Interesse.
Problematik der Digitalisierung im Fach „Germanistische Linguistik“
〈18〉 Gefahr für den Methodenpluralismus: Zurzeit zeichnet sich ein Überhandnehmen quantitativer Forschung gegenüber qualitativer Forschung ab. Es besteht die Gefahr, dass korpusbasierte Ansätze (corpus-based approach) einen höheren Stellenwert als korpusgesteuerte Ansätze (corpus-driven approach) erhalten. Während erstere die Introspektion so weit wie möglich durch die Auswertung großer Datenmengen ersetzen, dient im zweiten Ansatz das Korpus als Grundlage für die Suche nach geeigneten Beispielen, um z.B. eine linguistische Argumentation zu unterfüttern. Die Überbetonung von Häufigkeitswerten (Frequenz) hat zur Folge, dass perzeptiv anders auffällige Sprachphänomene (Salienz), die ebenfalls zur Steuerung von Spracherwerb oder Sprachwandel u.a. beitragen, aber lediglich „qualitativ“ fassbar sind, aus dem Blickfeld geraten.
〈19〉 Relativierung der Aussagekraft von Sprachkorpora: Sprachkorpora bieten immer nur einen Ausschnitt aus dem sprachlichen Diskurs und bleiben letzten Endes Diskursfragmente. Die Benutzer räumen dem Korpusbefund jedoch nicht selten absolute Gültigkeit ein. Die Ergebnisse aus kleineren Korpora müssen hinsichtlich der Korpusbegrenztheit relativiert werden. Aber auch das größte Korpus geschriebener Texte des Deutschen, DeReKo mit mehr als 28 Milliarden Wortformen, hat ein Übergewicht an regional gebundenen Pressetexten gegenüber belletristischen oder wissenschaftlichen Texten usw., was bei der Auswertung der Daten zu beachten ist.
〈20〉 Obwohl zunehmend die Chat-, SMS- oder WhatsApp-Kommunikation Forschungsgegenstand werden, bleibt der Wert von Untersuchungen auf der Grundlage von Daten, die über Suchmaschinen (z.B. Google) erhoben werden, nach wie vor fraglich.
〈21〉 Fehlender Überblick über die Korpuslandschaft: In den letzten Jahren sind, überwiegend mit Hilfe der DFG, in Deutschland zahlreiche Korpora und korpustechnologische Instrumente entstanden. Im Fachkollegium 104 (Sprachwissenschaften)2 fließt regelmäßig ein beträchtlicher Teil des Fördervolumens der DFG (bis zu 40%) in den Auf- und Ausbau von Korpora der Antragsteller. Meist fehlt Antragstellern, Gutachtern und Fachkollegiaten ein hinreichender Überblick über die Korpuslandschaft, um abschätzen zu können, welche Projekte gravierende Lücken in der linguistischen Dateninfrastruktur füllen und für das geplante Forschungsvorhaben relevant sind.
〈22〉 Insellösungen, fehlende Anschlussfähigkeit: Anträge auf Korpuserstellung dienen in den meisten Fällen der Vorbereitung eines spezifischen Forschungsprojekts. Sie sind oft unzulänglich, was technologische Standards, realistische Aufwandskalkulation, daten- und urheberrechtliche Absicherung, Nachhaltigkeit der Archivierung und Möglichkeiten der Nachnutzung angeht. Sehr häufig findet sich ein idiosynkratischer, ausschließlich an projektbezogenen Interessen orientierter Korpuszuschnitt, der für eine Nachnutzbarkeit der Korpora ungünstig ist. Die Antragsteller nehmen zu diesen Punkten entweder gar nicht Stellung oder lassen erkennen, dass sie sich weder bereits vorliegender Lösungen und Standards bewusst sind noch über umsetzbare Planungen verfügen.
〈23〉 Korpuserstellung und Forschungsarbeit: Die meisten empirischen Forschungsprojekte erstellen in einem ersten Schritt eigene Korpora. Bei einer Förderdauer von drei Jahren (DFG Sachmittelantrag) bedeutet dies in der Regel, dass die ersten zwei Jahre der Förderung für die Korpuserstellung benötigt werden, erst danach kann die Auswertung beginnen. Publikationen von Forschungsresultaten bleiben deshalb oft vorläufig, da keine Zeit zur umfassenden Datenauswertung und zur Theoretisierung von Befunden bleibt.
Konsequenzen
〈24〉 Aufgrund dieser Beobachtungen haben Mitglieder des Fachkollegiums „Sprachwissenschaften“ immer wieder das Fehlen von Best-Practice-Richtlinien beklagt. Es wurde der Beschluss gefasst, zwei Handreichungen für Antragsteller in enger Abstimmung mit aktuellen Forschungsinfrastrukturprojekten wie CLARIN u.a. und weiteren Beteiligten der Scientific Community zu verfassen.
〈25〉 Die erste Handreichung gibt Informationen zu rechtlichen Aspekten bei der Handhabung von Sprachkorpora. Die Nutzbarkeit von Korpora muss, v.a. in Bezug auf eine dauerhaft verlässliche Nachnutzung durch projektexterne Nutzer, durch entsprechend belastbares Datenschutz- (z.B. informed consent) und Urheberrechtemanagement abgesichert werden. Die dauerhafte Zugänglichkeit von erhobenen und aufbereiteten Forschungsprimärdaten auch nach Ende eines Forschungs- bzw. Fördervorhabens, die Möglichkeit ihrer Nachnutzung im Open Access durch geeignete Vertragsmodelle und die Kompatibilität der Daten müssen hohe Priorität erhalten. Gerade in diesem Bereich sind noch viele Fragen ungeklärt.
〈26〉 Die zweite Handreichung stellt einen Kriterienkatalog zusammen, in dem technische und dokumentarische Standards definiert werden für: Datenformate (Text, Audio, Video und Dokumentationen), Digitalisierungsverfahren, Datencodierung, Transkriptionskonventionen und Transkriptionswerkzeuge, Annotationswerkzeuge und -standards, Dokumentationsstandards (Deskriptoren), Recherche-Architekturen und -Tools sowie Datenbank- und Abfragestrukturen.
〈27〉 Bei den beiden Empfehlungen, die als Hilfestellung für die Antragstellung von Forschungsanträgen konzipiert sind und die in einem festen Turnus stets aktualisiert werden müssen, handelt es sich um:
〈28〉 „Informationen zu rechtlichen Aspekten bei der Handhabung von Sprachkorpora“, abrufbar unter:
http://www.dfg.de/download/pdf/foerderung/grundlagen_dfg_foerderung/informationen_fachwissenschaften/geisteswissenschaften/standards_recht.pdf
〈29〉 „Empfehlungen zu datentechnischen Standards und Tools bei der Erhebung von Sprachkorpora“, abrufbar unter:
http://www.dfg.de/download/pdf/foerderung/grundlagen_dfg_foerderung/informationen_fachwissenschaften/geisteswissenschaften/standards_sprachkorpora.pdf
〈30〉 Bislang fehlen jedoch eine Reflexion und Weiterentwicklung der „Korpuslinguistik“ als Grundlagenwissenschaft in ihren theoretischen, methodologischen und methodischen Implikationen, Möglichkeiten und Anforderungen. In den letzten Jahren haben korpuslinguistische Entwicklungen parallel in ganz unterschiedlichen Teilbereichen der Linguistik stattgefunden, bisher sind diese aber kaum in Austausch miteinander getreten.
- Auf der Grundlage des Arbeitspapiers Memorandum zur Förderung des Ausbaus linguistischer Korpora von Arnulf Deppermann und Mechthild Habermann (für das FK 104 der DFG) vgl. hierzu http://www.dfg.de/download/pdf/foerderung/grundlagen_dfg_foerderung/informationen_fachwissenschaften/geisteswissenschaften/standards_sprachkorpora.pdf [Zugriff: 15.01.2016] [↩]
- Vgl. hierzu Anm. 1 [↩]
OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren:
Mechthild Habermann (4. Juli 2016). Mechthild Habermann (Germanistische Linguistik). Digitalität. Abgerufen am 23. April 2025 von https://digigeist.hypotheses.org/129