Kommen wir nun wieder zu einem etwas weniger technischem Thema, den Texttechnologien. Am ersten Blick klingt das vielleicht auch wieder hochkomplex, aber hier haben wir gelernt, inwiefern Maschinen bei der historischen Arbeit helfen können und uns den textuellen Methoden der Geisteswissenschaften gewidmet.

Entscheidend hierfür ist die Korpuslingustik. Diese ist die empirische Erforschung von linguistischen Problemen. Die Auswertung hierbei kann entweder qualitativ oder statistisch erfolgen. Wenn die Texte digitalisiert sind, lassen sie sich leichter verarbeiten. Beispiele für solche digitalen Textsammlungen sind:

• „Deutscher Wortschatz“ der Uni Leipzig: wortschatz.uni-leipzig.de àdiese arbeiten ausschließlich mit Onlinemedien
• „Deutsches Referenzcorpus“ (DeReKo) in Mannheim: ids-mannheim.de/DeReKo àdiese sind Grundlage für den Duden; hier sind 25 Millionen Wörter vorhanden

Die Korpuslinguistik sammelt zunächst nur Zeichenketten, ohne sie sie in der Grammatik zu unterschieden. Bei manchen Textarchiven kann aber man eine „erweiterte Suche“ nutzen. Diese beruht dann auf einer Textanalyse.

In der Korpuslinguistik gibt es drei wichtige Anwendungsbereiche:

• Lexikographie à deskriptive Lexika (anstelle von präskriptiven)
• Sprachdidaktik à Fehlerhäufigkeit wird untersucht
• Worthäufigkeitsstatistiken à beispielsweise „distant reading“: gibt Auskunft über den Inhalt, den Stil und den Autor (voyant-tools.org)

Für letzteres wird häufigder bag of words-Ansatz gewählt. Dabei wird Text einfach als eine ungeordnete Ansammlung von Wörtern verstanden. Man berechnet dann z.b. das Verhältnis von der Häufigkeit von Wörtern im Dokument zur Häufigkeit im Korpus. Oder man untersucht Zeichenketten zwischen den Leerzeichen („Token“) in Relation von Lexem („Type“) (=Type-Token-Relationship). Durch diesen Ansatz fand ein Journalist heraus, dass das Buch „Der Ruf des Kuckucks“ nicht von Robert Galbraith sondern von Joanne K. Rowling geschrieben wurde.

Die Verarbeitung der natürlichen Sprache mithilfe der formalen Sprache des Computers nennt man natural language processing. Diese ordnet z.B. Wörter zu Wortarten und deren grammatikalischen Funktion zu. Da es aber auch Ambiguitäten gibt, muss man hier aufpassen.

Historische Sprachen stellen zusätzliche Probleme wie zum Beispiel durch die orthographischen Varianzen. Sie können mithilfe von guten Textanalyseprogrammen „übersetzt“ werden. Diese Programme können erkennen, dass mit dem Wort „arztney“ das heutige Wort „Arznei“ gemeint ist. Natürlich können auch hier Fehler passieren; man kann sich nicht vollends auf ein Programm verlassen.

Solche Programme werden in der Computerlinguistik entwickelt; sie untersucht, wie die natürliche Sprache mit dem Computer verwendet werden kann.

Klara Klambauer