Definition
Korpus
Korpus ist eine systematisch zusammengestellte, digital vorliegende Sammlung von Texten für sprachwissenschaftliche Untersuchungen.
Ein Korpus ist mehr als eine lose Textsammlung. Er wird nach festen Kriterien gebildet, etwa nach Textsorte, Zeitraum, Sprachstufe oder Region, und ist so dokumentiert, dass andere Forschende nachvollziehen können, woher die Texte stammen. Bekannte Beispiele sind Referenzkorpora des Deutschen, die Zeitungs- und Literaturtexte über lange Zeiträume erfassen.
In der Praxis dient ein Korpus dazu, Häufigkeiten, Kollokationen oder grammatische Muster zu messen, statt sich auf Einzelbeispiele zu verlassen. Wer mit Sprach-KI arbeitet, nutzt Korpora außerdem zum Trainieren, Testen und Bewerten von Werkzeugen.
Entscheidend ist die Dokumentation: Ohne Angaben zu Quellen, Lizenz und Aufbereitung lässt sich ein Korpus kaum prüfen oder wiederverwenden.
Verwandte Begriffe
- AnnotationAnnotation ist die Anreicherung von Texten mit zusätzlichen, maschinenlesbaren Informationen wie Wortarten, Strukturen oder Bedeutungen.
- TEITEI ist ein Standard aus XML-Auszeichnungen, mit dem Forschende Texte wie Editionen, Briefe und Handschriften strukturiert erfassen.
- TokenToken ist die kleinste Einheit, in die ein Sprachmodell Text zerlegt, bevor es ihn verarbeitet.
- LemmaLemma ist die Grundform eines Wortes, unter der alle seine flektierten Formen in einem Wörterbuch oder Korpus zusammengefasst werden.