Korpusaufbau

Korpusaufbau bezeichnet die Planung, Beschaffung, Verarbeitung und Annotation eines Textkorpus zu linguistischen Zwecken. Ziel ist es, ein systematisch zusammengestelltes Material bereitzustellen, das repräsentative Sprachdaten für empirische Analysen, Sprachmodellierung oder Methodentest ermöglicht. Korpora können generalisiert oder domänen- bzw. genrespezifisch sein und unterschiedliche Sprachen oder Varietäten umfassen.

Der Designprozess umfasst Festlegung von Zielen, Abgrenzung der Zielgrößen (Größe, Genres, Register), Auswahl geeigneter Quellen, Lizenzen und Rechtsfragen sowie Digitalkonversion und Normalisierung. Sampling-Strategien reichen von Zufalls- über Schichtungs- bis hin zu gezielten Selektionsmethoden, um Repräsentativität und Nutzbarkeit zu balancieren.

Die Annotation umfasst Transkription bzw. Textaufbereitung, Tokenisierung, POS-Tagging, Lemmatisierung, syntaktische und semantische Annotation, Named-Entity-Erkennung etc. Metadaten (Genre, Autor, Datum, Quelle) werden in einer Struktur abgelegt. Typische Formate sind TEI-XML, andere XML-/JSON-Strukturen; oft kommen Standardtools zum Einsatz, und Interannotator Agreement prüft die Zuverlässigkeit.

Wichtige Aspekte sind Urheberrecht, Datenschutz, Zugangsbeschränkungen und Langzeitarchivierung. Nach der Fertigstellung erfolgt Dokumentation, Versionierung und Veröffentlichung des Korpus samt Nutzungsbedingungen. Beispiele für bekannte Korpora, die durch Korpusaufbau entstanden sind, sind der British National Corpus (BNC), das Corpus of Contemporary American English (COCA) und die Leipzig Corpora Collection.