Korpus- und Konkordanz-Werkzeuge
Korpus in der Linguistik: Bedeutung, Arten und Beispiele
Ein Korpus ist die Datengrundlage der modernen Sprachwissenschaft. Hier lesen Sie, was dazugehört, welche Arten es gibt und wie man damit arbeitet.
Zuletzt überarbeitet · Redaktion Text-Technology

Kurzantwort: Ein Korpus ist eine systematisch zusammengestellte Sammlung von Texten oder Sprachaufnahmen, die als Grundlage für sprachwissenschaftliche Untersuchungen dient. Sie wird nach festen Kriterien aufgebaut und meist elektronisch durchsuchbar gemacht. So lassen sich Aussagen über Sprachgebrauch an echten Belegen prüfen.
Was „Korpus“ in der Linguistik bedeutet
Das Wort stammt aus dem Lateinischen und bedeutet Körper. In der Sprachwissenschaft meint es eine Datenbasis: eine Menge authentischer Äußerungen, die zu einem bestimmten Zweck gesammelt wurden. Entscheidend ist das Wort „systematisch“. Eine zufällige Ablage von Dateien ist noch kein Korpus. Erst wenn feststeht, welche Texte aufgenommen wurden, woher sie stammen und warum, taugt die Sammlung als Beleggrundlage.
Die Mehrzahl lautet übrigens „Korpora“, wie der Beitrag zu Korpora oder Korpusse im Einzelnen erläutert.
Wozu man Korpora braucht
Früher stützten sich Grammatiken und Wörterbücher oft auf das Sprachgefühl der Autoren oder auf Zettelkästen. Korpora erlauben einen anderen Zugang: Man schaut, wie Menschen tatsächlich schreiben und sprechen. Typische Fragen:
- Wie häufig ist ein Wort, und in welchen Umgebungen steht es?
- Welche Wörter treten auffällig oft zusammen auf (Kollokationen)?
- Hat sich eine Schreibweise oder Bedeutung über die Zeit verändert?
- Unterscheiden sich Zeitungstexte von Chatnachrichten oder Fachaufsätzen?
- Welche Konstruktionen verwenden Lernende anders als Muttersprachler?
Außerhalb der Wissenschaft stecken Korpora in Wörterbuchprojekten, in der Lehrmaterialentwicklung, in Rechtschreibprüfungen und in der Entwicklung von Sprachtechnik. Auch große Sprachmodelle werden mit riesigen Textsammlungen trainiert, wobei dort die sorgfältige Auswahl, die ein linguistisches Korpus auszeichnet, selten im gleichen Maß gilt.
Die wichtigsten Korpusarten
Korpora lassen sich nach mehreren Achsen einteilen. Die folgende Tabelle zeigt die gängigsten Unterscheidungen.
| Unterscheidung | Varianten | Kennzeichen |
|---|---|---|
| Medium | Schriftkorpus, Sprechkorpus, multimodales Korpus | Texte, Transkripte und Audio, teils mit Video |
| Sprachenzahl | Einsprachig, mehrsprachig | Mehrsprachige Korpora enthalten oft parallele Texte |
| Anspruch | Referenzkorpus, Spezialkorpus | Referenz bildet eine Sprache breit ab, Spezial ein Thema oder Genre |
| Zeit | Synchron, diachron | Ein Zeitraum gegenüber der Entwicklung über viele Jahre |
| Wachstum | Geschlossen, Monitorkorpus | Fester Bestand gegenüber laufend erweitertem |
| Bearbeitung | Rohtext, annotiert | Annotierte Korpora tragen zusätzliche Informationen |
Referenzkorpus und Spezialkorpus
Ein Referenzkorpus will eine Sprache in ihrer Breite zeigen: Zeitungen, Literatur, Sachtexte, Alltagssprache. Es dient als Maßstab, an dem sich andere Aussagen messen lassen. Für das Deutsche gehören dazu große, öffentlich zugängliche Sammlungen, die Forschende über Suchoberflächen abfragen können. Einige davon sind im Werkzeugverzeichnis aufgeführt.
Ein Spezialkorpus beschränkt sich dagegen auf ein Thema, eine Textsorte oder eine Gruppe von Sprechern. Ein Korpus aus Patientenaufklärungsbögen, aus Schülertexten oder aus Parlamentsreden beantwortet gezielte Fragen genauer, als es ein Gemischtwarenladen könnte. Man baut es oft selbst auf, dann sind Auswahlregeln und Dokumentation besonders wichtig.
Parallelkorpus und Lernerkorpus
Zwei Sonderformen verdienen eine eigene Erwähnung. Ein Parallelkorpus enthält Texte in mehreren Sprachen, die einander entsprechen, etwa Übersetzungen desselben Dokuments. Sie liefern die Trainingsdaten für maschinelle Übersetzung und erlauben Vergleiche zwischen Sprachen.
Ein Lernerkorpus sammelt Äußerungen von Menschen, die eine Sprache erwerben. Es zeigt, welche Fehler typisch sind und wie sich Kompetenz entwickelt. Für Didaktik und Spracherwerbsforschung ist es ein wertvolles Material.
Annotation: Wenn ein Korpus mehr als Text enthält
Rohtext lässt sich durchsuchen, aber nur nach Zeichenfolgen. Wer nach allen Verben im Perfekt oder nach allen Personennamen fragen will, braucht zusätzliche Angaben. Diese Zusatzinformationen heißen Annotationen. Dazu zählen:
- Grundformen: Zu jedem Wort wird die Grundform vermerkt, siehe Lemmatisierung.
- Wortarten: Jedes Wort erhält eine Kategorie, etwa Nomen oder Verb. Das übernimmt das Part-of-Speech-Tagging.
- Satzstruktur: Beziehungen zwischen Wörtern werden festgehalten, etwa nach den Regeln von Universal Dependencies.
- Eigennamen: Personen, Orte und Organisationen werden markiert, wie bei der Erkennung benannter Entitäten.
- Metadaten: Autor, Datum, Textsorte und Quelle werden zu jedem Text festgehalten.
Ein Teil der Annotation läuft automatisch, ein Teil von Hand. Die Grundlagen der manuellen Arbeit beschreibt der Beitrag Data Annotation. Maschinell erzeugte Markierungen sind schnell, aber fehleranfällig; wer sie nutzt, sollte ihre Genauigkeit kennen.
Wie ein Korpus aufgebaut wird
Der Aufbau folgt in der Regel diesen Schritten:
- Fragestellung klären. Was soll das Korpus beantworten können?
- Auswahlkriterien festlegen. Textsorten, Zeitraum, Quellen, Umfang.
- Rechte prüfen. Urheberrecht und Persönlichkeitsrechte begrenzen, was aufgenommen und weitergegeben werden darf.
- Texte beschaffen und bereinigen. Formate vereinheitlichen, Doppelte entfernen, Zeichenkodierung klären.
- Auszeichnen. Struktur und Metadaten in einem Standard wie TEI-XML festhalten, Hintergründe zu XML stehen in einem eigenen Beitrag.
- Annotieren und prüfen. Automatische Verfahren laufen lassen und Stichproben kontrollieren.
- Dokumentieren. Wer das Korpus nutzt, muss wissen, was darin steckt und was nicht.
Repräsentativität und andere Fallstricke
Die heikelste Frage lautet: Wofür steht das Korpus? Ein Korpus aus Zeitungstexten sagt etwas über Zeitungssprache, aber wenig über Gespräche am Küchentisch. Wer von den Funden auf „die Sprache“ schließt, muss begründen können, dass die Auswahl das erlaubt. Absolute Repräsentativität gibt es nicht, es geht um nachvollziehbare Begründung.
Weitere Stolpersteine:
- Verzerrte Auswahl. Was online leicht zu bekommen ist, ist nicht automatisch typisch.
- Häufigkeit ist nicht Bedeutung. Ein seltenes Wort kann wichtig sein, ein häufiges banal.
- Fehler in der Vorverarbeitung. Falsche Zeichenkodierung oder Textreste aus Webseiten verfälschen Zählungen.
- Fehlende Dokumentation. Ohne Angaben zu Herkunft und Auswahl sind Ergebnisse nicht überprüfbar.
Womit man Korpora durchsucht
Zum Abfragen dienen Konkordanzprogramme. Sie zeigen ein Suchwort mit seinem Umfeld, zählen Treffer und ermitteln Kollokationen. Manche laufen im Browser und greifen auf große Sammlungen zu, andere werden auf dem eigenen Rechner installiert, um eigene Texte zu untersuchen. Wer darüber hinaus Texte automatisch auswerten will, findet Verfahren im Überblick Text-Mining. Das Fachgebiet, in dem solche Methoden entstehen, stellt die Computerlinguistik vor.
Auch in den Geisteswissenschaften sind Korpora Alltag, etwa bei der Untersuchung historischer Texte. Einen Einblick gibt der Beitrag zu den Digital Humanities. Eine Übersicht der Programme finden Sie in der Kategorie Korpus- und Konkordanz-Werkzeuge im Kategorienverzeichnis.
Beispiele aus der Praxis
Für das Deutsche existieren mehrere große Sammlungen, die Forschende über Webschnittstellen durchsuchen können. Sie umfassen Zeitungen, Literatur, Sachtexte und teils gesprochene Sprache, und sie werden von Forschungseinrichtungen gepflegt. Die genauen Bestände und Zugangsbedingungen unterscheiden sich, daher lohnt der Blick in die Dokumentation des jeweiligen Angebots.
Ein Beispiel für eine Frage an ein Referenzkorpus: Wie wird das Wort „Homeoffice“ gebraucht, und in welchen Jahren taucht es auffällig oft auf? Die Antwort zeigt nicht nur, dass das Wort häufiger wurde, sondern auch, mit welchen Nachbarwörtern es steht. Ein Beispiel für ein Spezialkorpus: Wer wissen möchte, wie Beipackzettel formuliert sind, sammelt Beipackzettel und untersucht Satzlänge, Fachwörter und Anredeformen.
Für Historiker und Literaturwissenschaftler sind Korpora historischer Texte wichtig. Hier kommen zusätzliche Schwierigkeiten hinzu: schwankende Schreibweisen, Fraktur, Abkürzungen. Die Texte müssen oft erst digitalisiert und normalisiert werden, bevor Suchen verlässlich funktionieren.
Korpus und maschinelles Lernen
Für moderne Sprachtechnik sind Korpora Rohstoff. Ein Modell zur Wortartbestimmung lernt aus einem von Menschen annotierten Korpus; seine Qualität hängt von der Qualität dieser Vorlage ab. Gleiches gilt für Modelle, die Namen erkennen oder Stimmungen einschätzen. Die Annotation ist dabei meist der aufwendigste Teil, weil mehrere Personen sich auf einheitliche Regeln einigen und ihre Übereinstimmung prüfen müssen.
Ein weiterer Gedanke betrifft die Bewertung. Wer ein Verfahren testen will, braucht Daten, die es beim Lernen nicht gesehen hat. Deshalb werden Korpora oft in Trainings- und Testteile getrennt. Vermischt man beides, wirkt das Verfahren besser, als es ist.
Mehrsprachige und gesprochene Korpora
Gesprochene Sprache braucht eigene Regeln. Aufnahmen werden transkribiert, wobei festgelegt sein muss, wie Pausen, Überlappungen, Zögern und Dialektfärbung notiert werden. Solche Transkripte sind aufwendig, weil Menschen sie meist prüfen müssen. Mehrsprachige Korpora wiederum stellen die Frage, wie Texte einander zugeordnet werden: Satz für Satz, Absatz für Absatz oder nur als Dokumentpaar. Je feiner die Zuordnung, desto vielseitiger die Nutzung.
Rechtliche und ethische Fragen
Wer ein Korpus aufbaut, bewegt sich im Urheber- und Datenschutzrecht. Nicht jeder frei zugängliche Text darf kopiert und weitergegeben werden. Bei Gesprächsaufnahmen und Chatverläufen kommen Persönlichkeitsrechte hinzu, oft ist eine Einwilligung oder Anonymisierung nötig. Klären Sie diese Punkte vor der Datensammlung, nicht danach, und halten Sie fest, unter welchen Bedingungen das Korpus genutzt und geteilt werden darf.
Fazit
Ein Korpus macht Sprache messbar. Seine Qualität steht und fällt mit der Auswahl der Texte, der Sorgfalt bei der Aufbereitung und der Offenheit über die Grenzen. Wer die Arten kennt, weiß, welche Sammlung zu welcher Frage passt, und wer den Aufbau versteht, kann Ergebnisse besser einordnen. Für eigene Vorhaben gilt: erst die Frage, dann die Daten, und alles Entscheidende dokumentieren.
Fragen und Antworten
Was ist ein Korpus einfach erklärt?
Ein Korpus ist eine nach festen Kriterien zusammengestellte Sammlung von Texten oder Gesprächsaufnahmen, mit der man Sprachgebrauch untersucht. Meist ist sie elektronisch durchsuchbar.
Welche Arten von Korpora gibt es?
Gängig sind Schrift- und Sprechkorpora, Referenz- und Spezialkorpora, Parallel- und Lernerkorpora sowie annotierte und nicht annotierte Sammlungen. Sie unterscheiden sich in Zweck, Umfang und Aufbereitung.
Was bedeutet Annotation in einem Korpus?
Annotation heißt, dass dem Text zusätzliche Informationen beigegeben werden, etwa Grundformen, Wortarten oder Eigennamen. Dadurch lässt sich gezielt nach sprachlichen Merkmalen suchen.
Kann ich ein eigenes Korpus aufbauen?
Ja, für ein klar umrissenes Thema ist das gut machbar. Wichtig sind eine eindeutige Fragestellung, nachvollziehbare Auswahlregeln, geklärte Nutzungsrechte und eine sorgfältige Dokumentation.