Korpuslinguistik: Wie Forschende große Mengen digitaler Texte auswerten

Was Korpuslinguistik untersucht

Die Korpuslinguistik erforscht Sprache anhand umfangreicher Sammlungen von Texten oder gesprochenen Äußerungen. Eine solche Sammlung wird Korpus genannt. Sie kann Zeitungsartikel, Romane, wissenschaftliche Veröffentlichungen, Gesprächsaufzeichnungen, Webseiten oder Beiträge aus sozialen Medien enthalten. Entscheidend ist nicht nur die Menge des Materials, sondern auch die systematische Zusammenstellung und Auswertung.

Statt einzelne Beispiele nach persönlichem Eindruck zu beurteilen, fragen Forschende beispielsweise: Wie häufig kommt ein Wort vor? In welchen Zusammenhängen erscheint es? Welche Wörter stehen besonders oft daneben? Verändert sich eine grammatische Konstruktion im Laufe der Zeit? Unterscheidet sich die Sprache in Nachrichten von der Sprache in Gesprächen? Korpuslinguistik macht solche Fragen mit dokumentierten Textdaten untersuchbar.

Die Methode gehört zur empirischen Sprachwissenschaft. Das bedeutet, dass Aussagen möglichst auf beobachtbaren Belegen beruhen. Ein Korpus liefert allerdings keine automatische Wahrheit über eine Sprache. Es zeigt die sprachliche Verwendung in einer bestimmten Auswahl von Texten. Deshalb müssen Zusammensetzung, Herkunft und Aufbereitung der Daten immer mitbedacht werden.

Vom Textarchiv zum auswertbaren Korpus

Ein digitales Textarchiv ist noch nicht zwangsläufig ein wissenschaftliches Korpus. Für die Forschung müssen die Daten nach nachvollziehbaren Kriterien ausgewählt, gespeichert und beschrieben werden. Zunächst wird festgelegt, welche sprachliche Erscheinung untersucht werden soll. Davon hängt ab, welche Texte geeignet sind.

Wer den Sprachgebrauch in politischen Nachrichten untersuchen möchte, benötigt andere Daten als jemand, der gesprochene Alltagssprache oder historische Romane erforscht. Wichtige Auswahlkriterien sind unter anderem:

• Textsorte: etwa Gespräch, Nachricht, Schulbuch, Roman oder wissenschaftlicher Artikel
• Zeit: ein bestimmtes Jahr, mehrere Jahrzehnte oder ein historischer Zeitraum
• Region: zum Beispiel Deutschland, Österreich, die Schweiz oder ein bestimmtes Dialektgebiet
• Autorinnen und Autoren: Alter, beruflicher Hintergrund oder institutioneller Kontext, sofern diese Angaben vorhanden sind
• Medium: gedruckter Text, Untertitel, Chat, Audioaufnahme oder digitale Veröffentlichung

Die Texte werden anschließend in ein maschinenlesbares Format überführt. Dabei können Zeichensetzung, Absatzstruktur und Sprecherwechsel markiert werden. Häufig werden zusätzliche Informationen, sogenannte Metadaten, gespeichert. Sie geben etwa Auskunft über Erscheinungsjahr, Textsorte, Thema oder Quelle. Ohne solche Angaben wäre es schwierig, Suchergebnisse sinnvoll zu vergleichen.

Welche sprachlichen Informationen ergänzt werden

Viele Korpora enthalten nicht nur den ursprünglichen Text. Durch automatische oder manuelle Annotationen werden weitere sprachwissenschaftliche Informationen hinzugefügt. Eine häufige Form ist die Wortartannotation. Dabei wird ein Wort beispielsweise als Substantiv, Verb, Adjektiv oder Präposition gekennzeichnet. Je nach Verfahren können auch grammatische Merkmale wie Kasus, Numerus, Genus, Person oder Tempus vermerkt werden.

Bei der Lemmatisierung werden verschiedene flektierte Formen einem Grundwort zugeordnet. Die Formen ging, geht und gegangen können beispielsweise dem Lemma gehen zugeordnet werden. Das ermöglicht Suchanfragen, die nicht nur eine einzelne Wortform berücksichtigen. Bei historischen oder mehrsprachigen Daten ist diese Zuordnung jedoch nicht immer eindeutig.

Eine weitere Annotation ist die syntaktische Analyse. Sie beschreibt, welche Wörter in einem Satz zusammengehören und welche Funktion sie übernehmen. In einem Korpus können außerdem Eigennamen, Orte, Organisationen oder Fachbegriffe markiert werden. Solche Anreicherungen helfen bei komplexeren Untersuchungen, sind aber fehleranfällig. Automatische Systeme können Mehrdeutigkeiten falsch auflösen, besonders bei seltenen Wörtern, Dialekten, Ironie oder ungewöhnlicher Satzstruktur.

Die wichtigsten Suchverfahren im Korpus

Forschende arbeiten mit Suchabfragen, die von einer einzelnen Wortform bis zu komplexen grammatischen Mustern reichen. Ein grundlegender Zugriff ist die Suche nach einem Lemma. So lassen sich mehrere Formen eines Verbs gemeinsam untersuchen. Daneben kann nach einer bestimmten Wortfolge oder nach Wörtern in einem festgelegten Abstand gesucht werden.

Besonders bekannt ist die Konkordanz. Sie zeigt ein Suchwort in seinem unmittelbaren Kontext, häufig mit einigen Wörtern davor und danach. Eine Konkordanz macht sichtbar, welche Bedeutungen und grammatischen Umgebungen tatsächlich vorkommen. Für die Interpretation ist der Kontext entscheidend, denn ein isoliertes Suchwort kann mehrdeutig sein.

Mit einer Kollokationsanalyse wird untersucht, welche Wörter überdurchschnittlich häufig miteinander auftreten. Das Adjektiv stark erscheint beispielsweise in anderen typischen Verbindungen als das Adjektiv kräftig, obwohl beide in bestimmten Zusammenhängen ähnliche Bedeutungen haben können. Kollokationen geben Hinweise auf feste Wendungen, typische Bewertungen und semantische Beziehungen.

Auch die Häufigkeit wird ausgewertet. Dabei muss zwischen der absoluten und der relativen Häufigkeit unterschieden werden. Ein Wort kann in einem sehr großen Korpus öfter vorkommen als in einem kleinen, ohne dort verhältnismäßig bedeutender zu sein. Deshalb beziehen Forschende die Trefferzahl häufig auf die Gesamtgröße des jeweiligen Teilkorpus. Die genaue Berechnung und die verwendete Vergleichseinheit müssen angegeben werden, damit Ergebnisse nachvollziehbar bleiben.

Ein Beispiel für eine korpuslinguistische Untersuchung

Angenommen, eine Untersuchung fragt, wie Lernende die Verben beginnen und anfangen verwenden. Eine reine Wörterbuchanalyse kann Bedeutungen und grammatische Angaben beschreiben. Ein Korpus zeigt zusätzlich, in welchen realen Kontexten die Verben auftreten.

Ein möglicher Arbeitsablauf sieht so aus:

1. Die Forschungsfrage wird präzisiert. Untersucht werden etwa typische Ergänzungen oder Unterschiede zwischen geschriebenem und gesprochenem Deutsch.
2. Es werden geeignete Korpusteile ausgewählt, zum Beispiel Gesprächsdaten und journalistische Texte.
3. Beide Verben werden als Lemma gesucht, damit flektierte Formen berücksichtigt werden.
4. Die Treffer werden nach Textsorte und grammatischer Umgebung geordnet.
5. Eine Stichprobe der Belege wird gelesen, weil reine Häufigkeiten keine ausreichende Bedeutungsanalyse ersetzen.
6. Die Ergebnisse werden verglichen und mit Angaben zu Korpus, Suchabfrage und Auswahl dokumentiert.

Eine solche Untersuchung könnte zeigen, dass bestimmte Ergänzungen in einer Textsorte häufiger vorkommen. Daraus folgt jedoch nicht automatisch eine feste Bedeutungsregel. Häufigkeiten beschreiben Tendenzen. Sie müssen mit Grammatik, Kontext und möglichen Einflussfaktoren verbunden werden.

Quantitative und qualitative Auswertung gehören zusammen

Korpuslinguistik wird oft mit großen Zahlen verbunden. Tatsächlich ergänzen sich quantitative und qualitative Verfahren. Die quantitative Analyse zählt, vergleicht und misst Verteilungen. Sie kann zeigen, ob eine Form in einem Korpus häufig ist oder ob sich ihr Vorkommen zwischen zwei Gruppen unterscheidet.

Die qualitative Analyse untersucht anschließend konkrete Belege. Sie fragt, welche Bedeutung ein Ausdruck im jeweiligen Satz besitzt, welche Sprecherhaltung er vermittelt oder welche kommunikative Funktion er erfüllt. Zwei Treffer können dieselbe Wortfolge enthalten und dennoch unterschiedliche Bedeutungen haben.

Ein sinnvoller Forschungsprozess verbindet daher mehrere Schritte:

• eine präzise Frage formulieren
• ein passendes Korpus oder mehrere vergleichbare Teilkorpora bestimmen
• Suchabfragen und Filter dokumentieren
• Trefferzahlen zunächst beschreiben, ohne sie vorschnell zu interpretieren
• repräsentative oder auffällige Belege im Kontext lesen
• alternative Erklärungen prüfen
• Ergebnisse mit den Grenzen der Datengrundlage darstellen

Für Schülerinnen, Schüler und Studierende ist besonders wichtig, zwischen einem Beleg und einer allgemeinen Regel zu unterscheiden. Ein einzelner Satz beweist nicht, dass eine Form immer so verwendet wird. Umgekehrt kann eine geringe Trefferzahl bedeuten, dass ein Ausdruck selten ist, dass das Korpus nicht geeignet ist oder dass die Suchabfrage wichtige Varianten nicht erfasst.

Welche Korpora für Deutsch genutzt werden

Für die deutsche Sprache stehen unterschiedliche Korpusangebote zur Verfügung. Das Deutsche Referenzkorpus, kurz DeReKo, wird vom Leibniz-Institut für Deutsche Sprache in Mannheim bereitgestellt. Es dient der Untersuchung des geschriebenen Deutsch und umfasst unterschiedliche Textsorten und Zeiträume. Die Recherche erfolgt unter anderem über COSMAS II, ein System zur Korpussuche.

Das Digitale Wörterbuch der deutschen Sprache, kurz DWDS, verbindet lexikografische Informationen mit Korpusdaten. Für die Sprachbeobachtung können dort Belege, Wortverläufe und typische Verbindungen herangezogen werden. Bei jeder Recherche sollte geprüft werden, welche Datenbasis die jeweilige Anzeige verwendet und aus welchem Zeitraum die Belege stammen.

Für gesprochene Sprache gelten andere Bedingungen als für geschriebene Texte. Transkripte können Pausen, Abbrüche, Überlappungen und nonverbale Elemente unterschiedlich darstellen. Ein Gesprächskorpus ist daher nicht ohne Weiteres mit einem Zeitungskorpus vergleichbar. Wer Ergebnisse gegenüberstellt, sollte die Textsorte, das Medium, den Zeitraum und die regionale Verteilung berücksichtigen.

Auch internationale Korpora und Lernerkorpora können nützlich sein. Lernerkorpora enthalten Texte von Personen, die eine Sprache lernen. Sie ermöglichen Untersuchungen zu typischen Fehlern, zur Verwendung von Präpositionen oder zu Unterschieden zwischen Erst- und Zweitsprache. Die Interpretation muss dabei berücksichtigen, welches Sprachniveau, welche Lernbiografie und welche Schreibaufgabe vorliegt.

Was Korpuslinguistik beim Sprachenlernen leisten kann

Korpusdaten können den Sprachunterricht und das selbstständige Lernen ergänzen. Wörterbücher erklären Bedeutungen und grammatische Eigenschaften. Korpora zeigen zusätzlich, wie Wörter in authentischen Zusammenhängen verwendet werden. Lernende können dadurch typische Wortverbindungen, Registerunterschiede und häufige Satzmuster erkennen.

Eine praktische Rechercheaufgabe besteht darin, ein neues Verb mit mehreren Beispielsätzen zu untersuchen. Dabei können folgende Fragen helfen:

• Welche Substantive stehen häufig in der Nähe?
• Welche Präpositionen oder Ergänzungen treten auf?
• Kommt das Wort eher in formellen oder eher in alltäglichen Texten vor?
• Welche Bedeutungen lassen sich anhand der Kontexte unterscheiden?
• Gibt es feste Wendungen, die als Einheit gelernt werden sollten?

Für den Unterricht lässt sich daraus eine kleine Lernsequenz entwickeln. Zuerst sammeln Lernende mehrere Belege. Danach markieren sie wiederkehrende Muster und formulieren Vermutungen. Anschließend prüfen sie diese Vermutungen mit einem Wörterbuch oder einer Grammatik. Zum Schluss erstellen sie eigene Sätze, in denen sie die beobachteten Strukturen verwenden.

Diese Methode fördert nicht nur Wortschatz, sondern auch sprachliche Aufmerksamkeit. Lernende sehen, dass eine Übersetzung nicht immer für alle Kontexte passt. Ein Ausdruck kann je nach Textsorte, Gesprächssituation oder grammatischer Umgebung unterschiedlich wirken.

Grenzen, Verzerrungen und Datenschutz

Große Datenmengen vermitteln den Eindruck von Objektivität. Doch jedes Korpus ist eine Auswahl. Bestimmte Gruppen, Regionen, Themen oder Medien können überrepräsentiert sein, während andere kaum vorkommen. Ein Nachrichtenkorpus bildet beispielsweise nicht automatisch die Alltagssprache der gesamten Bevölkerung ab.

Digitale Texte bringen weitere Probleme mit sich. Schreibfehler, automatische Transkriptionen, doppelte Dokumente und uneinheitliche Zeichensetzung können die Suche beeinflussen. Bei Texten aus sozialen Medien kommen Abkürzungen, Emojis, wechselnde Schreibweisen und unklare Urheberschaft hinzu. Ältere Texte können in digitalisierten Sammlungen fehlerhafte Texterkennung enthalten.

Bei Gesprächsdaten und personenbezogenen Texten sind Datenschutz und Einwilligung zu beachten. Forschende müssen klären, ob Daten veröffentlicht, anonymisiert oder nur unter bestimmten Bedingungen genutzt werden dürfen. Auch urheberrechtliche Fragen können die Zugänglichkeit von Korpora begrenzen.

Eine verantwortungsvolle Auswertung nennt deshalb mindestens die Datenquelle, den Erhebungszeitraum, die Textsorten, die Suchmethode und die relevanten Einschränkungen. Ergebnisse sollten nicht größer verallgemeinert werden, als es die Daten erlauben. Das gilt besonders, wenn sprachliche Unterschiede zwischen sozialen Gruppen untersucht werden. Statistische Verteilungen dürfen nicht ohne zusätzliche Belege als Eigenschaften einzelner Personen gedeutet werden.

Korpuslinguistische Arbeit Schritt für Schritt

Wer selbst eine kleine Untersuchung durchführen möchte, kann sich an einem überschaubaren Plan orientieren:

1. Frage eingrenzen: Statt allgemein nach dem Gebrauch eines Wortes zu fragen, wird eine konkrete Dimension gewählt, etwa typische Präpositionen oder Unterschiede zwischen zwei Textsorten.
2. Datenbasis prüfen: Es wird festgehalten, welche Texte enthalten sind, aus welcher Zeit sie stammen und ob sie zur Forschungsfrage passen.
3. Suchbegriffe planen: Neben der Grundform werden Flexionsformen, Schreibvarianten und mögliche Mehrwortausdrücke bedacht.
4. Kontext einstellen: Eine ausreichend große Umgebung des Suchworts verhindert, dass wichtige grammatische oder semantische Hinweise übersehen werden.
5. Belege sortieren: Treffer werden nach Textsorte, Zeit, Thema oder grammatischer Funktion geordnet, sofern die Daten diese Angaben enthalten.
6. Stichprobe lesen: Mehrere vollständige Belege werden untersucht. Auffällige Einzelfälle dürfen nicht ohne Prüfung als typisch gelten.
7. Ergebnis dokumentieren: Suchweg, Auswahlkriterien und Einschränkungen werden notiert, damit andere die Untersuchung nachvollziehen können.

Für eine schulische oder studentische Arbeit genügt oft eine klar begrenzte Frage mit sorgfältig ausgewählten Belegen. Der wissenschaftliche Wert entsteht nicht allein durch die Zahl der Treffer, sondern durch die nachvollziehbare Verbindung von Daten, Methode und Interpretation.

Begriffe im Überblick

Begriff	Bedeutung	Beispiel für eine Frage
Korpus	Systematisch zusammengestellte digitale Sammlung von Sprachdaten	Welche Textsorten sind enthalten?
Konkordanz	Darstellung eines Suchworts mit seinem sprachlichen Kontext	Welche Wörter stehen vor und nach dem Suchwort?
Lemma	Grundform, unter der verschiedene Wortformen zusammengefasst werden	Werden ging und gegangen gemeinsam gesucht?
Kollokation	Typische Verbindung oder auffälliges gemeinsames Auftreten von Wörtern	Welche Verben stehen häufig bei Entscheidung?
Annotation	Zusätzliche sprachwissenschaftliche Information am Text	Ist ein Wort als Verb oder Substantiv markiert?
Metadaten	Angaben zur Herkunft und Beschaffenheit eines Textes	Aus welchem Jahr und welcher Textsorte stammt der Beleg?

FAQ zur Korpuslinguistik

Ist ein Korpus dasselbe wie das Internet?

Nein. Das Internet enthält sehr viele Texte, ist aber keine automatisch kontrollierte oder einheitlich dokumentierte Datensammlung. Ein Korpus wird nach bestimmten Kriterien zusammengestellt und mit Angaben zu Quelle, Zeitraum oder Textsorte versehen. Es kann zwar digitale Texte aus dem Internet enthalten, bleibt aber eine ausgewählte und aufbereitete Sammlung.

Warum reicht eine Häufigkeitsliste nicht aus?

Eine Häufigkeitsliste zeigt, wie oft eine Form vorkommt, erklärt aber nicht ihre Bedeutung und Funktion. Erst die Betrachtung des Kontexts kann zeigen, ob ein Wort unterschiedlich verwendet wird, zu einer festen Wendung gehört oder durch eine bestimmte Textsorte besonders häufig erscheint.

Kann Korpuslinguistik grammatische Regeln ersetzen?

Nein. Korpusdaten zeigen den beobachteten Sprachgebrauch und können grammatische Beschreibungen ergänzen oder neue Fragen anregen. Für eine vollständige Beurteilung sind außerdem grammatische Analysen, Bedeutungsunterschiede und die jeweilige Kommunikationssituation wichtig.

Welche Kenntnisse braucht man für eine erste Recherche?

Für einen Einstieg genügen eine präzise Frage, grundlegende Kenntnisse zu Wortarten und Satzbau sowie die Fähigkeit, Suchergebnisse kritisch zu lesen. Für umfangreichere Projekte kommen statistische Verfahren, Programmierkenntnisse und methodische Kenntnisse der Korpusannotation hinzu.