Sprach- und literaturwissenschaftliche Fakultät - Korpuslinguistik und Morphologie

Dokumentation Version 7.0

Die ausführlichen Annotationsguidelines können Sie hier herunterladen.

Korpus-Pipeline

  1. Erweiterung durch 8 weitere Texte:
    ArtzneyBuchleinDerKreutter-Abrotanum_1532_Tallat
    ArtzneyBuchleinDerKreutter-Centaurea_1532_Tallat
    ContrafaytKreuterbuch-CCLVII-CCLXX_1532_Brunfels
    ContrafaytKreuterbuch-CCLXXI-CCXC_1532_Brunfels
    GartDerGesundheit-c15-23_1487_Cuba
    GartDerGesundheit-c23-33_1487_Cuba
    NewKreuetterbuch-CXXXIIIJ-CXXXVIIJ_1539_Bock
    NewKreuterbuch-c19-25_1543_Fuchs
     
    Eine vollständige Liste aller Dokumente dieser Version finden Sie in den Annotationsguidelines oder unter Download.
     
  2. Automatische Erstellung eines OCR bei den Texten der Version 7. Alle Texte der Versionen 1-6 wurden per Hand transkribiert.
  3. Tokenisierung des OCRs/der Transkription mit TreeTagger.
  4. Manuelle Korrektur des OCRs in <dipl> und manuelle Erstellung von <norm>. Das originale OCR bleibt in <ocr> bestehen.
  5. Wortartentagging und Lemmatisierung in allen Dokumenten mit TreeTagger-Batch und TreeTagger. Anführungszeichen im Text können zu Fehlern führen, weshalb diese maskiert werden sollten. Desweiteren werden Leerzeilen im Text durch den TreeTagger gelöscht, sodass Fehler in der Segmentierung entstehen können. Deshalb sollten diese durch einen beliebigen Tag (z.B. <9>) gefüllt werden und die Option -sgml sollte beim taggen benutzt werden. Diese Tags werden dann nicht getaggt und können anschließend wieder entfernt werden. Nach dem Zusammenführen des TreeTagger-Outputs mit den MS Excel-Dateien, wird mit dem Makro SearchAndMerge die Segmentierung rekonstruiert (Readme).
  6. Semi-automatische Erstellung von <clean> für alle Dokumente (Python-Skript und Readme).
  7. Alignierung der <ocr>-Ebene mit <dipl>, <clean> und <norm> (behält eigenständige Segmentierung).
  8. Punktuelle Korrektur der Normalisierung (v.a. NPn, die potentiell Komposita sind) und  vollständige Korrektur der <persname>-Ebene. Es gibt jetzt eine Liste mit vereinheitlichten Namen in den Annotaionsguidelines. Generell kleinere Korrekturen über das gesamte Korpus.
  9. In den Dateien der Version 4.1, die bis einschließlich 1652 erschienen sind, wurden die folgenden Ebenen gelöscht, bzw. durch neue Ebenen ersetzt (s. 7.): <comp>, <comp_orth>, <prot>. Das Metadatum <preface> wurde in allen Dokumenten gelöscht.
  10. Folgende Annotationsebenen wurden den Excel-Dateien hinzugefügt: <ocr>, <column>, <figure_p> (nur für hinbzugekommene Dateien), <comp_n>, <comp_n_graph>, <comp_a>, <comp_a_graph>, <infl_fuge>, <adja_uninfl>, <comp_lex>, <comp_amb>, <nlp_morph> (für die Dateien der V6 bis  einschließlich 1652).
  11. Folgende Ebenen wurden dem Korpus im CoNLL-Format hinzugefügt: <deprel>, <morph>, <lemma> (in ANNIS & PAULA <lemma-dep>), <pos> (in ANNIS & PAULA <pos-dep> )(für die Dateien der V6 bis  einschließlich 1652). Sie wurden automatisch mithilfe der Mate Tools erstellt.
  12. Folgende Annotationsebenen wurden dem Korpus im PTB-Format hinzugefügt: <cat> (in ANNIS & PAULA <cat-const>),  <edgelabel> (in ANNIS & PAULA <func>), <lemma> (in ANNIS & PAULA <lemma-const>), <pos> (in ANNIS & PAULA <pos-const>) (für die Dateien der V6 bis  einschließlich 1652). Sie wurden automatisch mit Hilfe des Berkeley Parsers von CoNLL in PTB transformiert.
  13. Gemeinsame Konvertierung der Formate Excel 2013, CoNLL und PTB nach ANNIS und PAULA mit Pepper mithilfe der folgenden Importer: SpreadsheetImporter, PTBImporter, CoNNLImporter. Merging mithilfe des Merger-Moduls. Export ins ANNIS- und PAULAFormat mit dem ANNISExporter und dem PAULAExporter.

 

ridges-version7-diagramm.png

Korpus-Design

Um Vergleichbarkeit zu gewährleisten, wählen wir Texte aus einer wissenschaftlichen Disziplin, die idealerweise auf ähnliche Weise im gesamten Untersuchungszeitraum vertreten ist. Deshalb haben wir den Bereich der Kräuterkunde gewählt. Da die Verarbeitung älterer Texte aufwendiger ist, variiert die Länge der Texte. Jedes Dokument umfasst ca. 3.000 bis 10.000 Wortformen. Rplot_v7_60prozent.png

 

Annotationsebenen

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

 

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

 

Transkription/Normalisierung

Annotationsebene und -wert(e) Beschreibung
dipl
eigenständige Segmentierung

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.
clean
eigenständige Segmentierung

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. Beginnt das zweite Wort eines durch Zeilenumbruch getrennten Wortes mit einem Großbuchstaben, wird dieser in der clean-Ebene in Kleinbuchstaben realisiert (Gelb- Sucht; wird zu Gelbsucht). Ist der komplette zweite Bestandteil in Großbuchstaben geschrieben, bleibt dies so bestehen (MON- TANUM wird zu MONTANUM). Außerdem stellen die neuen Dokumente aus Version 4.0 und 5.0 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' zu '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
eigenständige Segmentierung

Annotationswert(e):
  • Text

Die norm-Ebene stellt einen weiteren Normalisierungsschritt dar, indem hier die Tokenisierung, Graphematik, Flexionsformen und Lexeme an den neuhocheutschen Sprachstand angepasst werden. Graphematik: orthographische Anpassung nach Duden (kreutter -> Kräuter); Phonologie: zu beachten sind die frühneuhochdeutschen Lautwandelprozesse, also Diphthongierung, Monophthongierung, Synkope, Apokope, Nukleussenkung, etc.(lehret -> lehrt); Morphologie: in die Nasen -> in die NaseLexikologie: ausgestorbenes lexikalisches Material wird mit modernen Orthograhieregeln übernommen und ggf. in der Ebene "erlaeuterung" erkäutert (Vergeſz -> Vergess); Wortbildung: ausgestorbene Wortbildungsmorpheme werden nach Möglichkeit durch neuhochdeutsche Bildungen ersetzt (halben -> halber oder stachelecht -> stachelig). Kasus wurde bisher nur in einigen Dokumenten normalisiert.

ocr
eigenständige Segmentierung

Annotationswert(e):
  • Text
Diese Ebene wurde ausschließlich für die neuen Dokumente der Version 7 erstellt. Sie wurde mit eigens für diese Titel trainierten Modelle für die OCR-Engine OCRopus durchgeführt. Für mehr Informationen hier klicken.

 

Linguistische Annotationen

Annotationsebene und -wert(e) Beschreibung
pos
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • STTS
Automatische Wortarten-Annotation nach dem Stuttgart-Tübingen-Tagset (STTS).
lemma
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • Freitext
Lemmatisierung mit dem TreeTagger: Normalisierung der flektierten Wortformen, Zuordnung der entsprechenden Lexikoneinträge zu jeder Wortform.
comment
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • Freitext
Dies ist eine unsystematische Ebene. In Fällen, in denen semantisch ein Begriff wie Heumonat nicht mehr transparent ist, kann ein modernes Äquivalent, z. B. Heumonat – Juli, oder eine kurze Erklärung angegeben sein. Diese Ebene wurde in Version 5.0 von "hyperlemma" zu "erlaeuterung" umbenannt.
foreign
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • foreign
Markiert einen Text, der in einer Fremdsprache geschrieben ist.
foreign_trans
Segmentierung basiert
auf 'norm'

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
Segmentierung basiert
auf 'norm'

Annotationswert(e):
Kodiert die konkrete Sprache des im Layer foreign markierten Textes nach ISO Drei-Buchstaben-Code (z. B. lat).
comp
Segmentierung basiert
auf 'dipl'

Annotationswert(e):
  • k
Komposition. Markiert alle im Korpus enthaltenen zusammen, getrennt oder mit Bindestrich geschriebenen Substantivkomposita (mit nominalem Kopf).
comp_orth
Segmentierung basiert
auf 'dipl'

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
Segmentierung basiert
auf 'dipl'

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).
comp_amb
Segmentierung basiert
auf 'dipl'

Annotationswert(e):
  • a
  • gpre
Annotation von Wortfolgen, die möglicherweise Komposita sein könnten. a: Adjektiv-Nomen-Abfolgen, bei denen das Adjektiv unflektiert ist und bei denen man im modernen Deutschen eher ein Kompositum verwenden würde (z.B. das edel geſteine). Es gibt noch weitere AN-Abfolgen, die ebenfalls ein unflektiertes Adjektiv enthalten, die aber im heutigen Deutschen auch genauso (oder noch eher) als attributive Adjektive verwendet werden können. Diese wurden jedoch in ADJA_uninfl annotiert. gpre: Nomen-Nomen-Abfolgen, die sowohl als Komposita als auch als Nomina mit pränominalem Genitivattribut interpretiert werden können und bei denen der Kontext oder die Flexion keinen Aufschluss auf den grammatischen Status geben können.
infl_fuge
Segmentierung basiert
auf 'dipl'

Annotationswert(e):
  • y
  • n
  • yn
  • NA
Annotation von Flexion bzw. Fugenelementen bei Wortfolgen, die möglicherweise Komposita sein könnten. y: Es ist ein Fugenelement, bzw. ein Flexionselement vorhanden (‚yes‘). n: Es ist kein Fugenelement, bzw. ein Flexionselement vorhanden (‚no‘). yn: Gilt für potentielle Komposita mit mehr als zwei lexikalischen Wortteilen, die sowohl mit als auch ohne Fugenelement oder Flexionselement realisiert wurden (z.B. Jungkfrawen har). NA: Es kann nicht beurteilt werden, ob ein Fugenelement, bzw. Flexionselement vorhanden ist (meistens weil das betroffene Wort/lexikalische Material nicht mehr transparent ist oder aus einer anderen Sprache (Latein) stammt).
comp_lex
Segmentierung basiert
auf 'dipl'

Annotationswert(e):
  • lex
  • n
lex: lexikalisierte Komposita, die nicht (mehr) als Syntagma ausgedrückt werden können, weil ihre addierten Teilbedeutungen stark von der Kompositionsbedeutung abweichen (betroffene Themenbereiche: Pflanzennamen, geographische Namen, bestimmte Krankheiten, Körperteile, Tierarten, Sternzeichen), aber nicht wenn sie mit einem zusätzlichen Glied versehen sind, das nicht zu dem lexikalisierten Wort gehört, z.B. Eisenkrautsaft oder Beifußblumen (vs. Johannisblumen), Blutwassersucht. Verbindungen mit "Baum" werden wie Verbindungen mit "Kraut" behandelt - meistens sind sie ein zusätzliches Glied zur eigentlichen Pflanzenbezeichnung - Kirsche -> Kirschbaum, Eiche -> Eichenbaum; manchmal gehören sie aber zur lexikalisierten Pflanzenbezeichnung (z.B. Schildkraut, Rutelkraut, Wunderbaum). n: Oberes trifft nicht zu. Eine Tabelle mit Einzelentscheidungen findet man in den ausführlichen Annotationsguidelines.
comp_n
Segmentierung basiert
auf 'dipl'

Annotationswert(e):
  • N
  • A
  • V
  • ADV
  • APPR
  • CARD
  • SUFF
  • CONV
  • X
Additive Werte zur Beschreibung der morphologischen Struktur der nominalen Komposita, z.B. N_N für Komposita, die aus zwei Nomina bestehen. Suffixe wurden nur berücksichtigt, wenn Suffigierung der letzte Wortbildungsprozess war ([[Kindbett]erin]). Zwischen den Kürzeln für die Kategorien der einzelnen morphologischen Elemente stehen Unterstriche. Ist die Kategorie eines Elements nicht ermittelbar, wird der Platzhalter „X“ verwendet.
comp_n_graph
Segmentierung basiert
auf 'dipl'

Annotationswert(e):
  • sep
  • nospace
  • hyph
  • lb1
  • lb2
  • camel
Beschreibt die Graphematik der in der Ebene <comp_n> annotierten Komposita. sep: getrennt; nospace: zusammen; hyph: Bindestrich; lb1: unterbrochen durch Zeilenumbruch (ohne Bindestrich); lb2: unterbrochen durch Zeilenumbruch (mit Bindestrich); camel: Binnengroßschreibung. Komposita, die aus mehr als zwei lexikalischen Teilen entstehen, erhalten einen additiven Wert (verbunden durch Unterstriche), z.B. „nospace_sep“ bei Saurampffer waſſer.
comp_a
Segmentierung basiert
auf 'dipl'

Annotationswert(e):
  • N
  • A
  • ADV
  • CARD
  • SUFF
  • CONV
  • farb
Additive Werte zur Beschreibung der morphologischen Struktur der adjektivischen Komposita, z.B. A_A für Komposita, die aus zwei Adjektiven bestehen. Suffixe wurden nur berücksichtigt, wenn Suffigierung der letzte Wortbildungsprozess war. Zwischen den Kürzeln für die Kategorien der einzelnen morphologischen Elemente stehen Unterstriche. farb: das letzte Glied enthält die Wurzel „farb“, z.B. himmelfarben.
comp_a_graph
Segmentierung basiert
auf 'dipl'

Annotationswert(e):
  • sep
  • nospace
  • hyph
  • lb1
  • lb2
Beschreibt die Graphematik der in der Ebene <comp_a> annotierten Komposita. sep: getrennt; nospace: zusammen; hyph: Bindestrich; lb1: unterbrochen durch Zeilenumbruch (ohne Bindestrich); lb2: unterbrochen durch Zeilenumbruch (mit Bindestrich). Komposita, die aus mehr als zwei lexikalischen Teilen entstehen, erhalten einen additiven Wert (verbunden durch Unterstriche), z.B. „nospace_sep“ bei Saurampffer waſſer.
sentence_end
Segmentierung basiert
auf 'dipl'

Annotationswert(e):
  • S
Markierung von Satzenden nach diesen Richtlinien.
attr_gen
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • gpre
  • gpost
Markiert alle im Korpus enthaltenen Nominalphrasen, die ein Genitivattribut enthalten, gpre: pränominales Genitivattribut und gpost: postnominales Genitivattribut.
morph_ellipsis
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • morph_ellipsis
Wortteilellipse Markiert alle im Korpus enthaltenen Koordinationen von Kompositionserst- und Zweitglied, z.B.: gelb⸗ und Waſſerſucht).
persname
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • Personennamen (nach Liste)
Diese Ebene dient der eindeutigen und schnellen Verknüpfung der im Korpus auftretenden Namen mit den dazugehörigen historischen Personen. Ist eine Person nicht eindeutig identifizierbar wird der in der "norm" gegebene Wert im Nominativ Singular in die Ebene "persname" übertragen. Die Schreibung der Namen richtet sich nach dieser Liste (diese enthält offizielle Abkürzungen und die entsprechende Ausschreibung vieler BotanikerInnen) und wenn dort nicht aufgeführt nach ihrer Schreibung in der deutschsprachigen Wikipedia. Anstelle von Leerzeichen werden Unterstriche gesetzt. Im Folgenden sind alle bisher in RIDGES vorkommenden eindeutigen Personennamen aufgeführt. Diese werden weiterhin so übernommen. Hinweis: Viele Autoren haben eine Art Künstlername und es gibt auch viele verschiedene Schreibweisen. In dieser Ebene muss darauf geachtet werden, dass ein und dieselbe Person immer mit dem gleichen Namen annotiert wird.
title
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • Freitext
Es werden alle Werknamen annotiert, auf die ein Autor referiert. Es wird der jeweilige Werkname im Nominativ angegeben.
deprel
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • --
  • AC
  • AG
  • AMS
  • APP
  • AVC
  • CC
  • CD
  • CJ
  • CM
  • CP
  • CVC
  • DA
  • DM
  • EP
  • JU
  • MNR
  • MO
  • NG
  • NK
  • OA
  • OA2
  • OC
  • OG
  • OP
  • PAR
  • PD
  • PG
  • PH
  • PM
  • PNC
  • RC
  • RE
  • RS
  • SB
  • SBP
  • SP
  • SVP
  • UC
  • VO

Dependenzannotationen basierend auf dem TIGER-Annotationsschema (erstellt mit Mate Tools). Das vollständige Tagset findet sich in den detiallierteren Annotationsguidelines.

 

cat-const
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • AA
  • AP
  • AVP
  • CAP
  • CAVP
  • CH
  • CNP
  • CO
  • CPP
  • CS
  • CVP
  • CVZ
  • DL
  • ISU
  • NP
  • PN
  • PP
  • PSEUDO
  • ROOT
  • S
  • TOP
  • VP
  • VZ
Konstituentenannotation basierend auf dem TIGER-Annotationsschema (transformiert aus den Dependenzparses der Mate Tools mithilfe des Berkeley Parsers). Das vollständige Tagset findet sich in den detiallierteren Annotationsguidelines.
func
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • AC
  • AG
  • AMS
  • APP
  • AVC
  • CC
  • CD
  • CJ
  • CM
  • CP
  • CVC
  • DA
  • DH
  • DM
  • EP
  • HD
  • JU
  • MNR
  • MO
  • NG
  • NK
  • OA
  • OA2
  • OC
  • OG
  • PAR
  • PD
  • PG
  • PH
  • PM
  • PNC
  • RC
  • RE
  • RS
  • SB
  • SBP
  • SVP
  • UC
  • VO
Kantenannotation basierend auf dem TIGER-Annotationsschema (transformiert aus den Dependenzparses der Mate Tools mithilfe des Berkeley Parsers). Das vollständige Tagset findet sich in den detiallierteren Annotationsguidelines.
morph
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • sg/pl
  • neut/masc/fem
  • nom/gen/dat/acc
  • 1/2/3
  • pres/past
  • pos/comp/sup
  • ind/subj
  • *
Morphologische Annotation mit additiven Werten bestehend aus Kasus|Numerus|Genus|Modus|Tempus|Komparationsstufe|Genus verbi (je nach Wortart). sg/pl: Singular/ Plural; neut/ masc/ fem: Neutrum/ Maskulinum/ Femininum; nom/ gen/ dat/ acc: Nominativ/ Genitiv/ Dativ/ Akkusativ; 1/ 2/ 3: 1./ 2./ 3. Person; pres/ past: Gegenwart/ Vergangenheit; pos/ comp/ sup: Positiv/ Komparativ/ Superlativ; ind/ subj: Indikativ/ Subjunktiv; *: Platzhalter.
cat
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • S
Spannenannotation von Sätzen, die beim Konvertieren von CoNLL nach ANNIS ausgegeben wird.
lemma-dep
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • Normalisiertes Lemma
Lemmatisierung mit Mate Tools.
pos-dep
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • $,
  • $.
  • $LRB
  • ADJA
  • ADJD
  • ADV
  • APPO
  • APPR
  • APPRART
  • APZR
  • ART
  • CARD
  • FM
  • ITJ
  • KOKOM
  • KON
  • KOUI
  • KOUS
  • NE
  • NN
  • PDAT
  • PDS
  • PIAT
  • PIS
  • PPER
  • PPOSAT
  • PPOSS
  • PRELAT
  • PRELS
  • PRF
  • PROAV
  • PTKA
  • PTKANT
  • PTKNEG
  • PTKVZ
  • PTKZU
  • PWAT
  • PWAV
  • PWS
  • TRUNC
  • VAFIN
  • VAPP
  • VMFIN
  • VMINF
  • VVFIN
  • VVIMP
  • VVINF
  • VVIZU
  • VVPP
  • XY
Wortartentagging mit Mate Tools.
pos-const
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • $,
  • $.
  • $*LRB
  • ADJA
  • ADV
  • APPO
  • APPR
  • APPRART
  • APZR
  • ART
  • CARD
  • FM
  • ITJ
  • KOKOM
  • KON
  • KOUI
  • KOUS
  • NE
  • NN
  • PDAT
  • PDS
  • PIAT
  • PIS
  • PPER
  • PPOSAT
  • PRELAT
  • PRELS
  • PRF
  • PROAV
  • PTKA
  • PTKNEG
  • PTKVZ
  • PTKZU
  • PWAT
  • PWAV
  • PWS
  • TRUNC
  • VAFIN
  • VAINF
  • VAPP
  • VMFIN
  • VMINF
  • VVFIN
  • VVIMP
  • VVINF
  • VVIZU
  • VVPP
  • XY
Wortartentagging mit Mate Tools und Überführung ins PTB-Format.
adja_uninfl
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • uninfl
Annotation von unflektierten Adjektiven, die direkt vor einem Nomen stehen. Stehen vor einem Nomen mehrere unflektierte Adjektive, wird nur dasjenige annotiert, das unmittelbar vor dem Nomen steht.
form_disease
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • deriv
  • derivat
  • kompNN
  • kompNNgetrennt
  • lat
  • phrase
  • Phrase
  • phraseDasIst
  • phraseGen
  • phraseGEN
  • phraseGenannt
  • phraseHS
  • phraseRS
  • phraseSubj
  • phraseV1
  • phraseVP
  • simplex
  • wort
NA
problem
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • Freitext
Probleme, die die Annotation von Relativsätzen und ihren Eigenschaften betreffen.
herbname_norm
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • Freitext
In dieser Ebene wird ein systematischer Kräutername gegeben. Manchmal ist der nicht eindeutig, dann wird in den Annotationsebenen "erlaeuterung" oder "bemerkungen_lexik" darauf hingewiesen. Es gibt keine Leerzeichen, die beiden Bestandteile von zweiteiligen Bezeichnungen werden durch einen Unterstrich verbunden.
herbprep
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • Freitext
In dieser Ebene geht es nur um die Zubereitungen oder Darreichungsformen von Kräutern. Dabei werden nur NPs betrachtet, bei denen das Kraut der Kopf oder der Kopf der Modifikation ist (die syntaktischen Modifizierungen werden in anderen Annotationsebenen annotiert). Es wird normiert auf Neuhochdeutsch und die Form wird im Nominativ Singular ausgeschrieben. Dabei werden Leerzeichen bei PPs und Genitiven durch Unterstriche ersetzt. Komposita werden immer zusammengeschrieben, auch wenn sie im Original nicht zusammengeschrieben sind. Alles wird in Kleinbuchstaben geschrieben (safft des weremuts -> saft_des_wermuts).
form_prep
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • kompNN
  • kompNNgetrennt
  • phraseVon
  • phraseGen
In dieser Ebene werden die Kräuterzubereitungen morphologisch oder syntaktisch beschrieben. kompNN = NN-Komposita, die zusammengeschrieben oder mit einem Bindestrich verbunden sind; kompNNgetrennt = NN-Folgen, die ein Kompositum sein könnten, aber mit Spatium geschrieben wurden; phraseVon = Kräuterzubereitungen mit von-PP, z.B. safft von weremut; phraseGen = Kräuterzubereitungen mit Genitiv-Attribut, z.B. safft des weremuts.
noun_nom
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • Freitext
In dieser Ebene werden alle Nomina aufgenommen, die im Text vorkommen und zwar immer in der ersten Schreibung des Nominativ Singular, in der sie vorkommen. Wenn die erste Form von "Saft" safft ist, werden alle Vorkommen von "Saft" mit safft annotiert, auch wenn es später Formen von saft geben sollte. Alle Pluralformen werden durch die Singularform annotiert. Alles wird in Kleinbuchstaben geschrieben. Diese Ebene hilft bei der Feststellung der Variation innerhalb eines Textes.
form_noun
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • simplex
  • kompNN
  • kompNNgetrennt
  • kompNEN
  • kompNENgetrennt
  • kompNNNgetrennt
  • kompAN
  • kompVN
  • derivat
  • nom
  • gri
  • lat
  • lex
In dieser Ebene werden alle Nomina morphologisch annotiert. kompNN = NN-Komposita, die zusammengeschrieben oder mit einem Bindestrich verbunden sind; kompNNgetrennt = alle NN Folgen, die ein Kompositum sein könnten, aber mit Spatium geschrieben wurden; kompNEN = NE-N-Komposita, die zusammengeschrieben oder mit einem Bindestrich verbunden sind; kompNENgetrennt = alle NE-N Folgen, die ein Kompositum sein könnten, aber mit Spatium geschrieben wurden; kompNNNgetrennt = alle NNN Folgen, die ein Kompositum sein könnten, aber mit Spatium geschrieben wurden; kompAN = AN-Komposita; kompVN = VN-Komposita; derivat = Derivate; nom= implizite Nominalisierung (Konversion, Ablaut, syntaktische Nominalisierung); gri/lat/ara = klar griechische/lateinische/arabische Nomina, bereits integrierte Wörter lateinischen Ursprungs werden nicht gekennzeichnet, sondern wie native Wörter behandelt; lex = bestimmte lexikalisierte Kräuternamen, diese sind zwar ursprünglich morphologisch komplex, aber nicht mehr offen und der Schreiber hat keine Wahl (ob diese Bildungen noch transparent sind, ist unklar), z.B. Beifuß, Wermut, Stabwurz, aber auch tausend guldin für "Tausendguldenkraut".
comment_lex
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • Freitext
Dies ist eine unsystematische Ebene für Bemerkungen und Fragen zur Lexik.
clause_type
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • rs
  • padv
  • rsx
  • rsdem
  • padvpart
  • dem
  • part
Annotation von Satztypen. Da wir nur flach annotieren und nicht beliebig Ebenen vervielfachen wollen, haben wir ein Problem bei geschachtelten Strukturen (also Relativsätzen, die Relativsätze enthalten oder Relativsätzen, die Demonstrativsätze enthalten). Wir haben jeweils den äußersten (größten) Satz annotiert. In der Annotationsebene "bemerkungen_syntax" steht ein Hinweis auf die Verschachtelung. rs = klare Relativsätze, dabei sowohl w-Relativsätze als auch d-Relativsätze; padv = Sätze, die durch ein Präpositionaladverb eingeleitet werden; rsx = Relativsätze ohne Hauptsatz, das kommt häufig in Überschriften vor; rsdem = ambige Fälle: Relativsatz oder Demonstrativsatz; padvpart = Sätze mit Präpositionaladverb und Partizip; dem = Demonstrativsätze, hier sind alle Sätze gemeint, deren Subjekt ein Demonstrativpronomen ist; part = Partizipien, die sich ähnlich verhalten wie Relativsätze.
position_rel
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • vor
  • nach
  • int
Position des Relativsatzes im Hauptsatz. vor = vorangestellt; nach = nachgestellt; int = eingebettet.
position_referent
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • adja-v
  • adja-n
  • dist
  • na
Position des Relativsatzes zur Bezugskategorie.adja-v = adjazent vorangestellt; adja-n = adjazent nachgestellt; dist = distant; na = nicht anwendbar.
form_referent
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • np
  • d-pron
  • p-pron
  • null
Form der Bezugskategorie des Relativsatzes. np = nicht-pronominale NP; d-pron = der, die, das, dieser, etc.; p-pron = Personalpronomina;  null = bei freien und asyndetischen Relativsätzen, die kein overtes Korrelat im Hauptsatz haben.
position_verb_rel
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • v2
  • ve
  • venf
Verbstellung im Relativsatz. v2 = Verb-Zweit-Stellung; ve = Verb-End-Stellung; venf = Verb-End-Stellung mit besetztem Nachfeld.
form_relpron
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • d-pron
  • w-pron
  • w-phras
Form der reltivsatzeinleitenden Kategorie. d-pron = alle d-Pronomina; w-pron = wer, welch-; w-phras = z.B. welch frau
mod_referent
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • relsatz
  • d-pron
  • m-padv
  • m-part
  • np
relsatz = An Pronomen, NP oder Satz annotiert, wenn von einem Relativsatz modifiziert. Bei freien Relativsätzen nicht anwendbar. Die ganze Bezugskategorie wird als Spanne annotiert. d-pron/m-padv/ m-part/ np = NA.
position_verb
Segmentierung basiert
auf 'norm'

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.
subclause_type
Segmentierung basiert
auf 'norm'

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_sem
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • additiv
  • final
  • k.a.
  • kausal
  • konditional
  • konsekutiv
  • konzessiv
  • modal
  • temporal
  • 0
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; 0: NA.
ppk_e1 - ppk_e3
Segmentierung basiert
auf 'dipl'

Annotationswert(e):
  • ppk
  • ppk_e2
  • ppk_e3
  • zwf
  • ppk_rek

Die ppk_e1-Ebene gibt an, ob es sich bei einer Textsequenz um eine Präpositionalkonstruktion (Präpositionalattributskonstruktion bzw. Attributive Adverbiale Bestimmung) handelt.

ppk: normale Präpositionalkonstruktion

ppk_e2: normale ppk innerhalb einer ppk in der Ebene ppk_e1

ppk_e3: normale ppk innerhalb einer ppk in der Ebene ppk_e2

zwf: Zweifelsfall

ppk_rek: rekursive (verschachtelte) ppk

attr_X: Attribute, die sich auf ein Element einer PPK beziehen, ohne innerhalb einer syntaktischen Sequenz direkt an dieses angeschlossen zu sein. X ist ein Platzhalter für das jeweilige Bezugswort.

 

StrukturelleAnnotationen

Annotationsebene und -wert(e) Beschreibung
lb
Segmentierung basiert
auf 'dipl'

Annotationswert(e):
  • lb
Markierung einer ganzen Zeile.
pb
Segmentierung basiert
auf 'dipl'

Annotationswert(e):
  • pb
Markierung einer ganzen Seite.
pb_n
Segmentierung basiert
auf 'dipl'

Annotationswert(e):
  • Ganzzahlwert oder Buchstabe
Seitenzahl aus dem Faksimile.
pb_ana
Segmentierung basiert
auf 'dipl'

Annotationswert(e):
  • Ganzzahlwert
Korrektur/ Interpretation von vermutlich nicht korrekten Seitenzahlangaben.
unclear
Segmentierung basiert
auf 'dipl'

Annotationswert(e):
  • unclear
Markierung, dass Zeichen eines Tokens oder ein Token bzw. ein Text nicht lesbar sind.
atLeast
Segmentierung basiert
auf 'dipl'

Annotationswert(e):
  • Ganzzahlwert
Geschätzte, minimale Anzahl an nicht lesbaren Zeichen eines Token, die in der Annotationsebene unclear als „unclear“ getagged sind.
atMost
Segmentierung basiert
auf 'dipl'

Annotationswert(e):
  • Ganzzahlwert
Geschätzte, maximale Anzahl an nicht lesbaren Zeichen eines Token, die in der Annotationsebene unclear als „unclear“ getagged sind.
interpretation
Segmentierung basiert
auf 'dipl'

Annotationswert(e):
  • Freitext
Interpretationsvorschläge für unleserliche Zeichen/Zeichenketten, die in der Annotationsebene unclear als „unclear“ getagged sind.
figure
Segmentierung basiert
auf 'dipl'

Annotationswert(e):
  • figure
  • table
Markiert eine Grafik oder Tabelle, die im Text eingebettet ist.
figure_rend
Segmentierung basiert
auf 'dipl'

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).
figure_p
Segmentierung basiert
auf 'dipl'

Annotationswert(e):
  • Integer
Angabe der Seite, auf der eine Abbildung im Original zu sehen ist.
column
Segmentierung basiert
auf 'dipl'

Annotationswert(e):
  • l
  • r
Annotation aller dipl-Einheiten, die zusammen in einer Spalte stehen, wenn der Text mindestens in zwei Spalten aufgeteilt ist. l: links; r: rechts.
hi
Segmentierung basiert
auf 'dipl'

Annotationswert(e):
  • hi
Markierung eines irgendwie hervorgehobenen Bereichs.
script
Segmentierung basiert
auf 'dipl'

Annotationswert(e):
  • blackletter
  • roman
  • mixed
Beschreibung von Schriftartenänderungen, wobei die vorwiegende Schriftart als default-Wert gesetzt wurde.
hi_rend
Segmentierung basiert
auf 'dpl'

Annotationswert(e):
  • bold
  • end
  • iniCap
  • italics
  • letter-spacing:1em
  • red
Beschreibung der Darstellung des hervorgehobenen Bereichs, z. B. Schriftart, Farben etc.
head
Segmentierung basiert
auf 'dipl'

Annotationswert(e):
  • head
Markierung einer Überschrift.
note
Segmentierung basiert
auf 'dipl'

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
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • ref
Referenz einer Fußnote.
ref_target
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • #fINT
ID der Fußnote, auf die referiert wird. Es wird fortlaufend mit #fZ nummeriert.
ref_type
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • noteAnchor
Art der Referenz, z.B. TEI "noteAnchor".
quote
Segmentierung basiert
auf 'dipl'

Annotationswert(e):
  • yes
  • no
dipl-Token, die zu einem Zitat gehören, werden mit dem Wert "yes" versehen. Als default-Wert gilt "no".

item
Segmentierung basiert
auf 'norm'


Annotationswert(e):

  • item
Element des Textes, der als Liste in der Ebene list markiert ist.

 

Inhaltliche Annotationen

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

Annotationsebene und -wert(e) Beschreibung
definition
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • fig
  • expl
Beschreibung (fig) oder Erklärung (expl) eines auf eine Abbildung bezogenen oder im Text genannten Begriffs.
disease
Segmentierung basiert
auf 'norm'

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.
author_ref
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • author
  • pron1sg
  • pron1pl
  • pron2pl
  • pron3sg
Markiert Referenzen des Autors auf sich oder andere Autoren bzw. auf beide.
reader_ref
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • pron1pl
  • pron2pl
  • pron2sg
  • pron3sg
  • reader
  • author
Markiert Referenzen des Autors auf den Leser.
plant
Segmentierung basiert
auf 'norm'

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
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • appearance
  • cultivation
  • effect
  • preparation
  • smell
  • taste
Beschreibt den Bezug von Eigenschaften wie Geruch, Aussehen etc. auf eine Referenz (z.B. Kraut).
name
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • name
Markiert Eigennamen.
name_type
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • flower
  • gardener
  • herb
  • person
  • plant
  • publisher
  • scholar
  • tree
Spezifiziert den Typ der Eigennamen.
reference
Segmentierung basiert
auf 'norm'

Annotationswert(e):
  • Freitext
Diese unsystematische Ebene dient der Referenz von Interpretationen jeglicher Art.

 

Metadaten

Diese Annotationen sind an die TEI-P5-Richtlinien angelehnt. Weiterhin gibt es die kompletten Korpusmetadaten in TEI p5: HANDLE-ID.

Annotationsebene und -wert(e) Beschreibung
author

Annotationswert(e):
  • Freitext
  • NA
Name des Autors des Textes.
bibl

Annotationswert(e):
  • Freitext
Voller bibliographischer Eintrag für die Quelle inklusive der im Korpus annotatierten Seitenzahlen.
date

Annotationswert(e):
  • Ganzzahlwert
Datum der Veröffentlichung, normalerweise das Jahr.
publisher

Annotationswert(e):
  • Freitext
  • NA
Verlag/Verleger.
place

Annotationswert(e):
  • Freitext
  • NA
Verlagsort.
title

Annotationswert(e):
  • Freitext
Titel der Arbeit, aus dem das Dokument extrahiert wurde.
translator

Annotationswert(e):
  • Freitext
  • NA
Übersetzer des Textes, wenn vorhanden.
trans_from

Annotationswert(e):
  • it
  • lat
  • NA
Sprache, aus der der Text übersetzt wurde.
editor

Annotationswert(e):
  • Freitext
  • NA
Herausgeber des Textes (wenn zusätzlich zum Verlag/Verleger angegeben).

version

Annotationswert(e):

  • 1.0
  • 2.0
  • 3.0
  • 4.0
  • 5.0
  • 6.0
  • 7.0
Version, in der das jeweilige Dokument zum Korpus hinzugefügt wurde.
edition_first

Annotationswert(e):
  • yes
  • no
Wenn bekannt, wird hier angegeben, ob es sich bei dem Faksimile um eine Erstauflage handelt oder nicht.
band

Annotationswert(e):
  • Ganzzahlwert
  • NA
Nummer des Bandes, wenn vorhanden.
maintopic

Annotationswert(e):
  • science
  • non-science
Angabe darüber, ob der Text eher Alltags- (non-science) oder Wissenschaftsthemen (science) behandelt.
thema

Annotationswert(e):
  • Al
  • As
  • B
  • G
  • K
  • L
  • M
  • R
Ordnet einem Text einen oder mehrere Themenbereiche zu. Additiver Wert aus den verschiedenen Kürzeln, alphabetisch geordnet. Al: Alchemie, As: Astronomie, B: Botanik, G: Gärtnerei, K: Küche, L: Linguistik. M: Medizin, R: Religion. Beispielwerte sind "B", "BM" oder "BKM".
register

Annotationswert(e):
  • herbology
Register des Textes.
lingualism

Annotationswert(e):
  • monoling
  • multiling
Gibt an, ob größere Textstellen vorhanden sind, die nicht auf Deutsch verfasst wurden. Dies gilt nicht für einzelne Übersetzungen von Pflanzennamen.
orig_date

Annotationswert(e):
  • Ganzzahlwert
  • NA
Ist ein Text eine Nichterstauflage, dann kann hier das Jahr der Erstauflage stehen, wenn bekannt.
orig_place

Annotationswert(e):
  • Freitext
  • NA
Ist ein Text eine Nichterstauflage, dann kann hier der Erscheinungsort der Erstauflage stehen, wenn bekannt.
repository

Annotationswert(e):
  • URL
URL zum Repositorium des Faksimiles.
lang_type

Annotationswert(e):
  • mhd
  • fnhd
  • nhd
Angabe des Sprachtyps. mhd: mittelhochdeutsch; fnhd: frühneuhochdeutsch, nhd: neuhochdeutsch
lang_area

Annotationswert(e):
  • md
  • obd
  • NA
Das Sprachgebiet wird angegeben. md: Mitteldeutsch, obd: oberdeutsch. Bei jüngeren Texten, die schon weitesgtehend standardisiert sind und denen kein Sprachgebiet zugeordnet werden konnte, wird als Wert "NA" angegeben.
text_type

Annotationswert(e):
  • prose
  • lyric
  • mixed
Angaben über die allgemeine Textgestaltung. Prosa: der Text ist komplett in Prosaform verfasst, Poesie: der Text ist komplett in Reimform verfasst; gemischt: der Text ist teilweise prosaisch, teilweise gereimt verfasst.
lyric_type

Annotationswert(e):
  • end_rhyme
  • meter
  • rhyme_meter
Wenn im Metadatum "textgestaltung" die Werte "Poesie" oder "gemischt" angegeben sind, dann wird hier eingetragen, welche Gestaltungselemente dafür verwendet wurden.
wormwood

Annotationswert(e):
  • yes
  • no
Gibt an, ob ein Textabschnitt zum Thema "Wermut" transkribiert wurde.
herb_sorting

Annotationswert(e):
  • yes
  • no
Gibt an, ob es sich bei dem Text um eine Kräutermonographiesammlung handelt, d.h. dass nacheinander verschiedene Kräuter abgehandelt werden.