Direkt zum InhaltDirekt zur SucheDirekt zur Navigation
▼ Zielgruppen ▼

Sprach- und literaturwissenschaftliche Fakultät - Korpuslinguistik und Morphologie

Dokumentation Version 4.1

Dokumentation der vierten, nachbearbeiteten Version von Ridges Herbology.

Korpus-Pipeline

  1. Die Datengrundlage für Ridges Herbology Version 4.1 bildet  Ridges Herbology Version 4.0 mit allen dokumentierten Arbeitsschritten.
  2. Folgende Annotationsebenen wurden hizugefügt: <komp>, <komp_orth>, <prot>, <attr_gen> und <strD>, <pos_klein>, <Verbposition>, <Nebensatztyp> und <KOUS_Semantik>. Außerdem erfolgten kleinere Korrekturen in vorhandenen Annotationen.
  3. In Gart der Gesundheit wurden zudem folgende Annotationsebenen hinzugefügt: <personenname>, <werkname>, <krankheitsname>, <form_Krankheit>, <kraeutername>, <kraeutername_normiert>, <sprache_kraeutername>, <form_kraeutername>, <kraeuterzubereitung>, <form_zubereitung>, <nomen>, <bemerkung> und <form_nomen>.
  4. Konvertierung des Korpus nach ANNIS. Für eine ausführliche Beschreibung der Arbeitsschritte, siehe die Anleitung zur Konvertierung.

 

documentation-v4.1-de.text.image0

 

Korpus-Design

 

Um Vergleichbarkeit zu gewährleisten, wählen wir Texte aus einer wissenschaftlichen Disziplin, die idealerweise auf ähnliche Weise im gesamten Untersuchungszeitraum vertreten ist. Für das erste RIDGES-Korpus haben wir den Bereich der Kräuterkunde gewählt. Der Untersuchungszeitraum wurde ursprünglich in 30-jährige Abschnitte unterteilt. In Version 3 und 4 kamen neue Texte hinzu, so dass die einzelnen Abschnitte kleiner wurden. Da die Verarbeitung älterer Texte aufwendiger ist, variiert die Länge der Texte. Jedes Dokument umfasst ca. 4.000 bis 10.000 Wortformen. Jahr-Token-Übersicht zu Ridges V4

 

Annotationsebenen

Die Annotationsbenen in den Korpora werden in einer Mehrebenenarchitektur gespeichert und lassen sich in vier Gruppen untergliedern.

  1. Transkription/Normalisierung
  2. Linguistische Annotationen
  3. Strukturelle Annotationen
  4. Inhaltliche Annotationen
  5. Metadaten

 

Transkription/Normalisierung

Diese Annotationen entsprechen immer genau einem Token. Part-of-speech-Annotationen (Wortarten) und Lemmatisierung wurden mit TreeTagger durchgeführt und von Hand korrigiert.

Annotationsebene und -wert(e) Beschreibung
dipl
Annotationswert(e):
  • Text
Die Transkription von Faksimiles stellt für die korpuslinguistische Aufbereitung zumeist die grundlegende, diplomatische Ebene (dipl). Diese Ebene soll sich grafisch hinsichtlich Orthografie, Getrennt- und Zusammenschreibung und Sonderzeichen möglichst nah am zugrunde liegenden Faksimile orientieren. Grundsätzlich kann so auch entgegen modernen Orthographieregeln segmentiert oder transkribiert werden. Eine Unicode-Tabelle mit Sonderzeichen wurde dabei zu Hilfe genommen. Zeilenumbrüche sind gemäß der Textvorlage markiert, gewöhnlich mit 'U+2E17'.
clean
Annotationswert(e):
  • Text
Die clean-Ebene enthält erste vollautomatisch erstellte Normalisierungen hinsichtlich Sonderzeichen und grafischer Strukturierungen. So werden u.a. Ligaturen, die nach moderner Rechtschreibung nicht mehr verwendet werden, normalisiert. Grafische Markierungen der einzelnen Texte wie Zeilenumbrüche werden aufgelöst und Sonderzeichen einiger Fonts wie Fraktur auf die heutigen Schriftsätze übertragen. Die neuen Dokumente aus Version 4.0 stellen neue Anforderungen an die automatisch erstellte clean-Ebene. Mit Makra versehene Vokale können nicht länger kontextabhängig normalisiert werden. Deshalb werden ab Version 4.0 für Token, die Vokale mit Makra enthalten alle möglichen Formen dieser Token in der clean angegeben. Die verschiedenen Formen werden durch '|' getrennt (zum Beispiel: 'auſzwēdig' to: 'auszwemdig|auszwendig'). Für eine komplette Auflistung aller Ersetzungen, die für die Erstellung der clean-Ebene gemacht wurden, siehe die Readme zum Skript, das zur Erstellung benutzt wurde.
norm
Annotationswert(e):
  • Text
Die norm-Ebene stellt einen weiteren Normalisierungsschritt dar, indem hier die Tokenisierung und die Orthografie einheitlich nach modernen Orthografieregeln (vgl. Duden) angepasst werden, wobei die Flexion, wie z.B. Kasuszuweisungen, nicht berücksichtigt wird.

 

Linguistische Annotationen

Annotationsebene und -wert(e) Beschreibung
pos
Annotationswert(e):
  • STTS
Semi-automatisch korrigierte (DECCA) Wortarten-Annotation nach dem Stuttgart-Tübingen-Tagset (STTS).
lemma
Annotationswert(e):
  • Text (type)
Lemmatisierung: Normalisierung der flektierten Wortformen, Zuordnung der entsprechenden Lexikoneinträge zu jeder Wortform.
hyperlemma
Annotationswert(e):
  • Text
In Fällen, in denen semantisch ein Begriff wie Heumonat nicht mehr transparent ist, wird ein modernes Äquivalent, z. B. HeumonatJuli, angegeben.
foreign
Annotationswert(e):
  • foreign
Markiert einen Text, der in einer Fremdsprache geschrieben ist.
foreign_trans
Annotationswert(e):
  • trans_to_german
  • trans_from_german
  • trans_from_german_extended
  • trans_to_german_extended
Beschreibung der Zielsprache und der Ausgangssprache einer Übersetzung.
lang
Annotationswert(e):
Kodiert die konkrete Sprache des im Layer foreign markierten Textes nach ISO Drei-Buchstaben-Code (z. B. lat).
komp
Annotationswert(e):
  • k
Komposition. Markiert alle im Korpus enthaltenen zusammen, getrennt oder mit Bindestrich geschriebenen Komposita.
komp_orth
Annotationswert(e):
  • zs
  • gtr
  • bs
  • lb1
  • lb2
Beschreibt die Orthographie der in der Ebene "komp" annotierten Komposita: zs: zusammengeschrieben, gtr: getrennt geschrieben, bs: Bindestrichmarkierung (innerhalb einer Zeile), lb1: unterbrochen durch Zeilenumbruch (ohne Bindestrichmarkierung), lb2: unterbrochen durch Zeilenumbruch (mit Bindestrichmarkierung).
prot
Annotationswert(e):
  • prot1
  • prot2
  • prot3
Weist jedem Kompositum in der Ebene komp einen Prototypen zu. Der Prototyp gibt an, wie wahrscheinlich ein Vorkommen ein Kompositum ist, dabei gilt: prot1: sicher als Kompositum zu identifizieren, prot2: sehr wahrscheinlich Kompositum und prot3: Zweifelsfall (nicht in der Ebene "komp" markiert).
attr_gen
Annotationswert(e):
  • gprä
  • gpost
Markiert alle im Korpus enthaltenen Nominalphrasen, die ein Genitivattribut enthalten, gprä: pränominales Genitivattribut und gpost: postnominales Genitivattribut.
strD
Annotationswert(e):
  • strD
Strukturelle Destruktion. Markiert alle im Korpus enthaltenen koordinierten Komposita ("strukturelle Destruktionen"; z.B.: gelb⸗ und Waſſerſucht).
personenname
Annotationswert(e):
  • String
NA
werkname
Annotationswert(e):
  • String
NA
krankheitsname
Annotationswert(e):
  • String
NA
form_Krankheit
Annotationswert(e):
  • String
NA
kraeutername
Annotationswert(e):
  • String
NA
kraeutername_normiert
Annotationswert(e):
  • String
NA
sprache_kraeutername
Annotationswert(e):
  • String
NA
form_kraeutername
Annotationswert(e):
  • String
NA
kraeuterzubereitung
Annotationswert(e):
  • String
NA
form_zubereitung
Annotationswert(e):
  • String
NA
nomen
Annotationswert(e):
  • String
NA
form_nomen
Annotationswert(e):
  • String
NA
bemerkung
Annotationswert(e):
  • String
NA
pos_klein
Annotationswert(e):
  • reduziertes STTS
Wortarten-tagging mit reduziertem STTS. Bestimmte Tags wurden dabei zusammengefasst, z.B. $., $,, and $( zu ZEICHEN
Verbposition
Annotationswert(e):
  • V2
  • Vletzt
  • V?
  • V1
Verbposition.V2 gibt dabei Verbzweitstellung in einem Nebensatz mit subordinierender Konjunktion an. Vletzt markiert dabei Verbletztstellung in einem Nebensatz mit subordinierender Konjunktion. V? markiert eine unklare Verbposition in einem Nebensatz mit subordinierender Konjunktion.V1 gibt Verberststellung in einem Nebensatz mit subordinierender Konjunktion an.
Nebensatztyp
Annotationswert(e):
  • Adverbial
  • Attribut
  • Komplement
Nebensatztyp. Adverbial: Adverbiale Funktion eines Nebensatzes mit subordinierender Konjunktion. Attribut: Attributive Funktion eines Nebensatzes mit subordinierender Konjunktion. Komplement: Komplementfunktion eines Nebensatzes mit subordinierender Konjunktion.
KOUS_Semantik
Annotationswert(e):
  • additiv
  • final
  • k.a.
  • kausal
  • konditional
  • konsekutiv
  • konzessiv
  • modal
  • temporal
KOUS_Semantik. additiv: Additive Semantik einer subordinierenden Konjunktion. final: Finale Semantik einer subordinierenden Konjunktion. k.a.: Nicht-analysierbare Semantik einer subordinierenden Konjunktion. kausal: Kausale Semantik einer subordinierenden Konjunktion. konditional: Konditionale Semantik einer subordinierenden Konjunktion. konsekutiv: Konsekutive Semantik einer subordinierenden Konjunktion. konzessiv: Konzessive Semantik einer subordinierenden Konjunktion. modal: Modale Semantik einer subordinierenden Konjunktion. temporal: Temporale Semantik einer subordinierenden Konjunktion.

 

Strukturelle Annotationen

Annotationsebene und werte Beschreibung
lb
Annotationswert(e):
  • lb
Markierung einer ganzen Zeile.
brace
Annotationswert(e):
  • brLeft
  • brRight
Markierung einer Klammer, die Text über mehrere Zeilen zusammenfasst.
brace_dir
Annotationswert(e):
  • left
Richtung der Klammer
p
Annotationswert(e):
  • p
Markierung eines ganzen Paragraphen.
p_n
Annotationswert(e):
  • Integer or letter
Markiert die Nummerierung eines Paragraphen.
p_rend
Annotationswert(e):
  • initialCapital
  • bigBoldType
Beschreibung der Darstellung eines Paragraphen.
pb
Annotationswert(e):
  • pb
Markierung einer ganzen Seite.
pb_n
Annotationswert(e):
  • Integer or Letter
Seitenzahl.
pb_rend
Annotationswert(e):
  • vonHaſelwurtz.Cap.III.
  • vonChamillen.Cap.VIII.
  • vorrede.
  • vorred
  • vonStaubwurtz.Cap.II.
  • vonEibisch.Cap.V.
  • vonWermůt.Cap.I.
  • vonDrachenwurtz.Cap.IIII.
  • ohlZuMachen.
  • zumBeſtenZuDiſtilliren.
  • waſſerAußKräuternVndDergleichen
  • auffsBeſtZuDiſtilliren.
  • außKräuternVndDergleichen
  • waſſerAußKräuternVndDergleichen
  • amBeſtenZuDiſtilliren.
Beschreibung der Darstellung/ Zuordnung einer Seite, mehrerer Seiten.
pb_ana
Annotationswert(e):
  • Integer
Korrektur/ Interpretation von vermutlich nicht korrekten Seitenzahlangaben.
div1 - div5
Annotationswert(e):
  • divINT
Eine Sektion, ein Kapitel/Unterkapitel eines Dokuments. Die verschachtelte Tiefe wird explizit von der angegebenen Nummer von div (INT) in der PAULA/relANNIS Version angezeigt. Gilt pro Ebene (div1-div5).
div1_type - div5_type
Annotationswert(e):
  • appendix
  • book
  • chapter
  • description
  • form
  • herb
  • names
  • name
  • nature
  • parts_preparation_and_uses
  • places
  • place
  • preface
  • power
  • reproduction
  • season
  • section
  • species
  • title
  • time
  • utensils
Beschreibt den Typ/die Art des Kapitels/Unterkapitels. Die Einteilung könne von einem ganzen Buch, über Kapitel bis hin zu Unterkapitel reichen. Dazu können auch registerspezifische Typen wie Ort des Anbaus oder Form einer Pflanze zählen. Gilt pro Ebene (div1-div5).
div2_n - div3_n
Annotationswert(e):
  • Integer
Markiert eine mit Ziffern oder Buchstaben nummerierte Sektion. Gilt für die Ebenen div2-div3.
unclear
Annotationswert(e):
  • unclear
Markierung, dass Zeichen eines Tokens oder ein Token bzw. ein Text nicht lesbar sind.
atLeast
Annotationswert(e):
  • Integer
Geschätzte, minimale Anzahl an nicht lesbaren Zeichen eines Token, die in der Annotationsebene unclear als „unclear“ getagged sind.
atMost
Annotationswert(e):
  • Integer
Geschätzte, maximale Anzahl an nicht lesbaren Zeichen eines Token, die in der Annotationsebene unclear als „unclear“ getagged sind.
interpretation
Annotationswert(e):
  • Text
Interpretationsvorschläge für unleserliche Zeichen/Zeichenketten, die in der Annotationsebene unclear als „unclear“ getagged sind.
figure
Annotationswert(e):
  • figure
  • table
Markiert eine Grafik oder Tabelle, die im Text eingebettet ist.
figure_rend
Annotationswert(e):
  • drawingOfTwoJars
  • drawingOfThreeJars
  • drawingOfTwoGlasses
  • drawingOfThreeGlasses
  • drawingOfTwoAlembics
  • drawingOfAnInstrument
  • drawingOfAnEibisch
  • drawingOfAStaubwurtz
  • drawingOfAKamille
  • drawingOfAHühnerdarm
  • drawingOfAHelmet
  • drawingOfAFilter
  • drawingOfAWaldenburgischerKolben
  • drawingOfAHaselwurtz
  • drawingOfADrachenwurtz
  • drawingOfAGauchheyl
  • drawingOfADill
  • drawingOfAHauswurz
Beschreibung, was auf einer Grafik (annotiert mit figure) zu sehen ist (z. B. Darstellung einer Pflanze oder eines Destilliergeräts).
hi
Annotationswert(e):
  • hi
Markierung eines irgendwie hervorgehobenen Bereichs.
hi_font
Annotationswert(e):
  • antiqua
  • gothic
Beschreibung von Schriftartenänderungen, wobei die vorwiegende Schriftart als default-Wert gesetzt wurde.
hi_rend
Annotationswert(e):
  • antiqua
  • bold
  • end
  • iniCap
  • italics
  • letter-spacing:1em
  • red
Beschreibung der Darstellung des hervorgehobenen Bereichs, z. B. Schriftart, Farben etc.
head
Annotationswert(e):
  • head
Markierung einer Überschrift.
head_n
Annotationswert(e):
  • Integer
Zeigt die Nummerierung einer Überschrift an.
head_rend
Annotationswert(e):
  • brown
Beschreibung der grafischen Darstellung der Überschrift, z. B. Farbe.
note
Annotationswert(e):
  • note
  • margin
  • end
In einer Spannenannotation wird die gesamte Fußnote mit dem Tag „note“ markiert. Der Text der Fußnoten wird immer am Ende des Absatzes, in dem sie eingepflegt sind, unabhängig davon, ob sich so die Fußnoten sammeln oder erst auf der nachfolgenden Seite realisiert werden müssten, in die dipl-Ebene/Transkription aufgenommen.
ref
Annotationswert(e):
  • ref
Referenz einer Fußnote.
ref_target
Annotationswert(e):
  • #fINT
ID der Fußnote, auf die referiert wird. Es wird fortlaufend mit #fZ nummeriert.
ref_type
Annotationswert(e):
  • noteAnchor
Art der Referenz, z.B. TEI "noteAnchor".
quote
Annotationswert(e):
  • quote
Markiert ein Zitat im Text.
list
Annotationswert(e):
  • list
Allgemeine Markierung einer Liste.
list_type
Annotationswert(e):
  • simple
Beschreibung der Art der Liste.
item
Annotationswert(e):
  • item
Element des Textes, der als Liste in der Ebene list markiert ist.
xml_id
Annotationswert(e):
  • fINT
Bezeichnet die konkrete Nummer der Fußnote in einem Dokument, angefangen mit dem Zähler 1. Fußnoten sind in ihrer Indizierung unabhängig von ihrer tatsächlichen Nummerierung im Text. Der ersten Fußnote wird über xml_id die Kennzeichung f1, der zweiten f2 etc. zugewiesen, selbst wenn sie bspw. im Text die Nummer 86) darstellt oder mit **) markiert ist.

 

Inhaltliche Annotationen

Diese Annotationen wurden von unseren Studenten entwickelt, um Spannen von Token mit besonderen Eigenschaften auszuzeichnen.

Annotationsebene und werte Beschreibung
definition
Annotationswert(e):
  • fig
  • expl
Beschreibung (fig) oder Erklärung (expl) eines auf eine Abbildung bezogenen oder im Text genannten Begriffs.
disease
Annotationswert(e):
  • di
Nennung einer Krankheit (Beschwerden, Symptome etc.) im Text. Es wird jeweils die komplette Phrase, wenn vorhanden auch mit restriktiven Relativsätzen, getagged, z.B. der Bauch, der weh tut oder Bauchweh.
term
Annotationswert(e):
  • t
  • h
  • d
  • j
Linguistische Annotation, die einen technischen oder wissenschaftlichen Begriff markiert, unterschieden in term (t), herb (h) und disease (d). Bei 'j' handelt es sich höchstwahrscheinlich um einen Tippfehler.
author_ref
Annotationswert(e):
  • author
  • include
  • other
  • proin1sg
  • pron1pl
  • pron1sg
  • pron2sg
  • pron3sg
  • self
Markiert Referenzen des Autors auf sich oder andere Autoren bzw. auf beide.
reader_ref
Annotationswert(e):
  • address
  • adress
  • pron1pl
  • pron2pl
  • pron2sg
  • pron3sg
  • reader
Markiert Referenzen des Autors auf den Leser.
plant
Annotationswert(e):
  • pl
Nennung einer Pflanze (Kräuter wie Bäume wie Blumen etc.) im Text. Es wird jeweils die komplette Phrase, wenn vorhanden auch mit restriktiven Relativsätzen, getagged, z.B. das Kraut, das hinter dem Bahnhof wächst oder Kamille.
property
Annotationswert(e):
  • appearance
  • cultivation
  • effect
  • preparation
  • smell
  • taste
Beschreibt den Bezug von Eigenschaften wie Geruch, Aussehen etc. auf eine Referenz (z.B. Kraut).
name
Annotationswert(e):
  • name
Markiert Eigennamen.
name_type
Annotationswert(e):
  • flower
  • gardener
  • herb
  • person
  • plant
  • publisher
  • scholar
  • tree
Spezifiziert den Typ der Eigennamen.

 

Metadaten

Diese Annotationen folgen den TEI-P5-Richtlinien.

Annotationsebene und werte Beschreibung
meta::author
Annotationswert(e):
  • Text
Name des Autors.
meta::bibl
Annotationswert(e):
  • Text
Voller bibliographischer Eintrag für die Quelle inklusive der im Korpus annotatierten Seitenzahlen.
meta::date
Annotationswert(e):
  • Integer
Datum der Veröffentlichung, normalerweise das Jahr.
meta::publisher
Annotationswert(e):
  • Text
Verleger.
meta::pubPlace
Annotationswert(e):
  • Text
Verlagsort.
meta::title
Annotationswert(e):
  • Text
Titel der Arbeit, aus dem das Dokument extrahiert wurde.