Textpaare

Textpaare sind Paare von Texten, die denselben Inhalt in unterschiedlichen Sprachfassungen oder Varianten wiedergeben. In der Sprach- und Computerlinguistik dienen sie vor allem als Grundlage für parallele Korpora, maschinelle Übersetzung und linguistische Analysen.

Typen: Bilinguale Textpaare bestehen aus parallelisierten Texten in zwei Sprachen; monolinguale Textpaare enthalten paraphrasierte oder stilistisch variierte Versionen desselben Textes in derselben Sprache; es gibt auch mehrsprachige Paare oder zeitlich referierte Paare wie Untertitel in mehreren Sprachen, die dieselbe Sequenz abbilden.

Aufbau: Textpaare werden typischerweise auf Satz- oder Absatzebene ausgerichtet und mit Metadaten wie Quelle, Sprache, Veröffentlichungsdatum und Lizenz versehen. Die Sätze innerhalb eines Paares sind in der Regel semantisch korreliert.

Erzeugung: Sammlungen entstehen durch Übersetzungen, zweisprachige Ausgaben, Untertitel oder Web-Datensätze. Die Ausrichtung erfolgt entweder manuell oder computergestützt mittels Satzgrenzenbestimmung und Satz-zu-Satz-Ausrichtung; Qualitätssicherung ist gängig.

Anwendungen: Textpaare dienen dem Training und der Bewertung von maschineller Übersetzung, der Paraphrase-Erkennung, dem Cross-Language Information Retrieval und der sprachdidaktischen Arbeit (Dual-Sprachen-Dokumente).

Beispiele: Bekannte Repositorien umfassen den Europarl-Korpus, den United Nations Parallel Corpus und das OPUS-Projekt. Auch TED-Talks- und Bibel-Parallelkorpora sind verbreitet.

Herausforderungen: Urheberrecht, Domänen- und Stilinkonsistenzen, fehlerhafte Ausrichtung sowie Unterschiede in Satz- oder Absatzgrenzen.

Siehe auch: Parallelkorpus, Satz-Ausrichtung, Bilinguale Lexika.