Corpuslinguistik

Corpuslinguistik ist die wissenschaftliche Untersuchung von Sprache anhand großer elektronischer Textkorpora. Sie verbindet quantitative Analysen mit qualitativen Einsichten, um Muster, Variation und Bedeutungsbeziehungen in realen Sprachdaten abzuleiten.

Korpora werden je nach Ziel unterschiedlich gestaltet: Großkorpora der Allgemeinsprache, spezialisierte oder domänenspezifische Korpora, sowie Webkorpora. Wichtige Gestaltungskriterien sind Repräsentativität, Genreverteilung und Größe. Texte werden annotiert, etwa durch Tokenisierung, Lemmatisierung, Wortartzuweisung, Morphologie, syntaktische Strukturen oder Semantik.

Die methodische Arbeit umfasst Frequenz- und Kookkurrenzanalysen, Kollokationsmuster, KWIC-Suchen (Key Word in Context) sowie statistische Tests. Typische Werkzeuge sind Concordancer-Programme und Korpus-Software wie AntConc oder Sketch Engine; viele Projekte verwenden maschinelles Lernen zur Annotation oder Analyse.

Anwendungsfelder reichen von Lexikografie, Sprachbeschreibung, Sprachdidaktik, Übersetzungsstudien bis zu NLP-Training und Sprachpathologie. Korpusgestützte Erkenntnisse dienen auch der Grammatikbeschreibung, Terminologieentwicklung und der Überwachung sprachlicher Veränderungen über Zeit.

Historisch war die Arbeit geprägt von englischsprachigen Korpora wie dem Brown Corpus (1961), dem LOB-Korpus, dem British National Corpus (BNC) und dem späteren COCA. Für Deutsch ist das Deutsche Referenzkorpus DeReKo ein zentrales Forschungs- und Lehrmaterial, ergänzt durch Web- und Fachkorpora.

Zu den Herausforderungen gehören Repräsentativität, Verzerrungen durch Sampling, Rechts- und Urheberfragen, Qualität der Annotation sowie Interoperabilität von Metadaten. Trotz dieser Grenzen liefert Corpuslinguistik zentrale Einblicke in Spracheinsatz und Sprachentwicklung.