Dokumentation Version 8.0
Die ausführlichen Annotationsrichtlinien können Sie hier herunterladen.
Korpus-Pipeline
- Erweiterung durch 2 weitere Texte:
SonderbaresKraeuterbuch-21-36_1675_Anonymous
ThesaurusSanitatis_304-321_1673_Nasser
Eine vollständige Liste aller Dokumente dieser Version finden Sie in den Annotationsguidelines oder unter Download. - Manuelle diplomatische Transkription für die neuen Texte.
- Tokenisierung der Transkription mit TreeTagger.
- Manuelle Erstellung der Normalisierung in <norm>.
- Korrektur der <norm> in allen Dokumenten, die in der Version 7 hinzugekommen sind.
-
Aus der Datei NochEinigeWorte_1840_Meyen wurde das Vorwort entnommen und in eine separate Datei NochEinigeWorte-VR_1840_Meyen eingefügt.
-
Da in ArtzneyBuchleinDerKreutter-Centaurea_1532_Tallat ein Teil des Textes bereits in ArtzneyBuchleinDerKreutter_1532_Tallat vorhanden war, wurde dieser redundante Teil entfernt und die Datei umbenannt in ArtzneyBuchleinDerKreutter-Cretanus_1532_Tallat.
- Kleinere punktuelle Korrekturen in allen Dokumenten. Durchgängige Korrektur der pb_n-Annotationen (Unterscheidung von lateinischen und römischen Zahlenangaben). In den Dokumenten, die nach 1652 erschienen sind, wurden alle „strD“-Werte in der Ebene <morph_ellipsis> durch „morph_ellipsis“ ersetzt (dieser Schritt wurde in Version 6 nur für Dokumente durchgeführt, die bis einschließlich 1652 erschienen sind).
- In SonderbaresKraeuterbuch-1-11_1675_Anonymous und SonderbaresKraeuterbuch-11-21_1675_Anonymous wurden die Annotionsebenen <figure> und <figure_p> hinzugefügt.
- Die Annotationsebene <comp_n_mod> wurde für alle Dokumente erstellt, die zwischen 1482 und 1652 publiziert wurden und die bereits in Version 6 des Korpus vorhanden waren.
- Die Ebenen figure_rend, item und nlp_morph wurden gelöscht.
- 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).
- Semi-automatische Erstellung von <clean> für alle neuen Dokumente (Python-Skript und Readme).
- Folgende Ebenen wurden im CoNLL-Format mithilfe der Mate Tools erstellt: <deprel>, <morph>, <lemma> (in ANNIS & PAULA <lemma-deprel>), <pos> (in ANNIS & PAULA <pos-deprel> ) (für die Dateien der V6 bis einschließlich 1652). In den Dokumenten ContrafaytKreuterbuch_1532_Brunfels und HortulusSanitatis_1609_Uffenbach wurden die Dependenzparses in der Ebene <deprel> händisch korrigiert.
- Folgende Annotationsebenen wurden mit Hilfe des Berkeley Parsers von CoNLL in PTB transformiert: <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).
- 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.
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. |  |
Annotationsebenen
Das RIDGES-Korpus setzt sich aus Annotationen zusammen, die in verschiedenen Formaten erstellt wurden. Alle (Zwischen-) Formate stehen unter Download zum Herunterladen bereit, enthalten aber jeweils nicht alle hier aufgeführten Annotationsebenen, bzw. einige zusätzliche (irrelevante) Ebenen, die nicht nach ANNIS und PAULA konvertiert wurden. Eine ausführlichere Dokumentation der einzelnen Formate finden Sie im LAUDATIO-Repositorium.
Die Annotationsbenen in den Korpora werden in einer Mehrebenenarchitektur gespeichert und lassen sich in fünf Gruppen untergliedern.
- Transkription/Normalisierung
- Linguistische Annotationen
- Strukturelle Annotationen
- Inhaltliche Annotationen
- Metadaten
Transkription/Normalisierung
| Annotationsebene und -wert(e) | Beschreibung |
|---|---|
| dipl eigenständige Segmentierung Annotationswert(e):
|
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):
|
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):
|
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 Nase; Lexikologie: 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):
|
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):
|
Automatische Wortarten-Annotation nach dem Stuttgart-Tübingen-Tagset (STTS). |
| lemma Segmentierung basiert auf 'norm' Annotationswert(e):
|
Lemmatisierung mit dem TreeTagger: Normalisierung der flektierten Wortformen, Zuordnung der entsprechenden Lexikoneinträge zu jeder Wortform. |
| comment Segmentierung basiert auf 'norm' Annotationswert(e):
|
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):
|
Markiert einen Text, der in einer Fremdsprache geschrieben ist. |
| foreign_trans Segmentierung basiert auf 'norm' Annotationswert(e):
|
Beschreibung der Zielsprache und der Ausgangssprache einer Übersetzung. |
| lang Segmentierung basiert auf 'dipl' 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):
|
Komposition. Markiert alle im Korpus enthaltenen zusammen, getrennt oder mit Bindestrich geschriebenen Substantivkomposita (mit nominalem Kopf). |
| comp_orth Segmentierung basiert auf 'dipl' Annotationswert(e):
|
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):
|
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):
|
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):
|
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: 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):
|
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):
|
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_mod Segmentierung basiert auf 'dipl' Annotationswert(e):
|
Gibt an, ob die in der Ebene <comp_n> annotierten Komposita einen oder mehrere(flektierende) Modifikatoren erhalten haben und welche(n). Dafür wurde dem Kompositum ein Wert aus dem STTS zugewiesen, der die Wortart des Modifikators beschreibt. Bei mehreren Modifikatoren wurden additive Werte vergeben, die durch einen Unterstrich separiert sind, z.B. 'art_adja'. Vom STTS abweichende Werte sind n (kein Modifikator vorhanden) und NA (keine Angabe möglich). |
| comp_a Segmentierung basiert auf 'dipl' Annotationswert(e):
|
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):
|
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):
|
Markierung von Satzenden nach diesen Richtlinien. |
| attr_gen Segmentierung basiert auf 'norm' Annotationswert(e):
|
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):
|
Wortteilellipse Markiert alle im Korpus enthaltenen Koordinationen von Kompositionserst- und Zweitglied, z.B.: gelb⸗ und Waſſerſucht). |
| persname Segmentierung basiert auf 'norm' Annotationswert(e):
|
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):
|
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):
|
Dependenzannotationen basierend auf dem TIGER-Annotationsschema (erstellt mit Mate Tools). Das vollständige Tagset findet sich in den detiallierteren Annotationsguidelines. In den Dokumenten ContrafaytKreuterbuch_1532_Brunfels und HortulusSanitatis_1609_Uffenbach wurden die Dependenzparses händisch korrigiert. |
| cat-const Segmentierung basiert auf 'norm' Annotationswert(e):
|
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):
|
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):
|
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):
|
Spannenannotation von Sätzen, die beim Konvertieren von CoNLL nach ANNIS ausgegeben wird. |
| lemma-deprel Segmentierung basiert auf 'norm' Annotationswert(e):
|
Lemmatisierung mit Mate Tools. In den Dokumenten ContrafaytKreuterbuch_1532_Brunfels und HortulusSanitatis_1609_Uffenbach wurden die Lemmata händisch korrigiert. |
| pos-deprel Segmentierung basiert auf 'norm' Annotationswert(e):
|
Wortartentagging mit Mate Tools. In den Dokumenten ContrafaytKreuterbuch_1532_Brunfels und HortulusSanitatis_1609_Uffenbach wurden die pos-Tags händisch korrigiert. |
| pos-const Segmentierung basiert auf 'norm' Annotationswert(e):
|
Wortartentagging mit Mate Tools und Überführung ins PTB-Format. |
| adja_uninfl Segmentierung basiert auf 'norm' Annotationswert(e):
|
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):
|
NA |
| problem Segmentierung basiert auf 'norm' Annotationswert(e):
|
Probleme, die die Annotation von Relativsätzen und ihren Eigenschaften betreffen. |
| herbname_norm Segmentierung basiert auf 'norm' Annotationswert(e):
|
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):
|
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):
|
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):
|
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):
|
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):
|
Dies ist eine unsystematische Ebene für Bemerkungen und Fragen zur Lexik. |
| clause_type Segmentierung basiert auf 'norm' Annotationswert(e):
|
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):
|
Position des Relativsatzes im Hauptsatz. vor = vorangestellt; nach = nachgestellt; int = eingebettet. |
| position_referent Segmentierung basiert auf 'norm' Annotationswert(e):
|
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):
|
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):
|
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):
|
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 = 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):
|
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):
|
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):
|
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):
|
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):
|
Markierung einer ganzen Zeile. |
| pb Segmentierung basiert auf 'dipl' Annotationswert(e):
|
Markierung einer ganzen Seite. |
| pb_n Segmentierung basiert auf 'dipl' Annotationswert(e):
|
Seitenzahl aus dem Faksimile. |
| pb_ana Segmentierung basiert auf 'dipl' Annotationswert(e):
|
Korrektur/ Interpretation von vermutlich nicht korrekten Seitenzahlangaben. |
| unclear Segmentierung basiert auf 'dipl' Annotationswert(e):
|
Markierung, dass Zeichen eines Tokens oder ein Token bzw. ein Text nicht lesbar sind. |
| atLeast Segmentierung basiert auf 'dipl' Annotationswert(e):
|
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):
|
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):
|
Interpretationsvorschläge für unleserliche Zeichen/Zeichenketten, die in der Annotationsebene unclear als „unclear“ getagged sind. |
| figure Segmentierung basiert auf 'dipl' Annotationswert(e):
|
Markiert eine Grafik oder Tabelle, die im Text eingebettet ist. |
| figure_p Segmentierung basiert auf 'dipl' Annotationswert(e):
|
Angabe der Seite, auf der eine Abbildung im Original zu sehen ist. |
| column Segmentierung basiert auf 'dipl' Annotationswert(e):
|
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):
|
Markierung eines irgendwie hervorgehobenen Bereichs. |
| script Segmentierung basiert auf 'dipl' Annotationswert(e):
|
Beschreibung von Schriftartenänderungen, wobei die vorwiegende Schriftart als default-Wert gesetzt wurde. |
| hi_rend Segmentierung basiert auf 'dpl' Annotationswert(e):
|
Beschreibung der Darstellung des hervorgehobenen Bereichs, z. B. Schriftart, Farben etc. bold: Fettrdruck; iniCap: ausgeschmückter großer Anfangsbuchstabe (meistens bei Kapitelanfängen), italics: Kursivdruck, letter-spacing:1em: Sperrdruck; red: rot; underlined: unterstrichen. |
| head Segmentierung basiert auf 'dipl' Annotationswert(e):
|
Markierung einer Überschrift. |
| note Segmentierung basiert auf 'dipl' Annotationswert(e):
|
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. |
| quote Segmentierung basiert auf 'dipl' Annotationswert(e):
|
dipl-Token, die zu einem Zitat gehören, werden mit dem Wert "yes" versehen. Als default-Wert gilt "no". |
| ref Segmentierung basiert auf 'norm' Annotationswert(e):
|
Referenz einer Fußnote. |
| ref_target Segmentierung basiert auf 'norm' Annotationswert(e):
|
ID der Fußnote, auf die referiert wird. Es wird fortlaufend mit #fZ nummeriert. |
| ref_type Segmentierung basiert auf 'norm' Annotationswert(e):
|
Art der Referenz, z.B. TEI "noteAnchor". |
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):
|
Beschreibung (fig) oder Erklärung (expl) eines auf eine Abbildung bezogenen oder im Text genannten Begriffs. |
| disease Segmentierung basiert auf 'norm' Annotationswert(e):
|
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):
|
Markiert Referenzen des Autors auf sich oder andere Autoren bzw. auf beide. |
| reader_ref Segmentierung basiert auf 'norm' Annotationswert(e):
|
Markiert Referenzen des Autors auf den Leser. |
| plant Segmentierung basiert auf 'norm' Annotationswert(e):
|
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):
|
Beschreibt den Bezug von Eigenschaften wie Geruch, Aussehen etc. auf eine Referenz (z.B. Kraut). |
| name Segmentierung basiert auf 'norm' Annotationswert(e):
|
Markiert Eigennamen. |
| name_type Segmentierung basiert auf 'norm' Annotationswert(e):
|
Spezifiziert den Typ der Eigennamen. |
| reference Segmentierung basiert auf 'norm' Annotationswert(e):
|
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):
|
Name des Autors des Textes. |
| bibl Annotationswert(e):
|
Voller bibliographischer Eintrag für die Quelle inklusive der im Korpus annotatierten Seitenzahlen. |
| date Annotationswert(e):
|
Datum der Veröffentlichung, normalerweise das Jahr. |
| publisher Annotationswert(e):
|
Verlag/Verleger. |
| place Annotationswert(e):
|
Verlagsort. |
| title Annotationswert(e):
|
Titel der Arbeit, aus dem das Dokument extrahiert wurde. |
| translator Annotationswert(e):
|
Übersetzer des Textes, wenn vorhanden. |
| trans_from Annotationswert(e):
|
Sprache, aus der der Text übersetzt wurde. |
| editor Annotationswert(e):
|
Herausgeber des Textes (wenn zusätzlich zum Verlag/Verleger angegeben). |
|
version
|
Version, in der das jeweilige Dokument zum Korpus hinzugefügt wurde. |
| edition_first Annotationswert(e):
|
Wenn bekannt, wird hier angegeben, ob es sich bei dem Faksimile um eine Erstauflage handelt oder nicht. |
| band Annotationswert(e):
|
Nummer des Bandes, wenn vorhanden. |
| maintopic Annotationswert(e):
|
Angabe darüber, ob der Text eher Alltags- (non-science) oder Wissenschaftsthemen (science) behandelt. |
| thema Annotationswert(e):
|
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):
|
Register des Textes. |
| lingualism Annotationswert(e):
|
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):
|
Ist ein Text eine Nichterstauflage, dann kann hier das Jahr der Erstauflage stehen, wenn bekannt. |
| orig_place Annotationswert(e):
|
Ist ein Text eine Nichterstauflage, dann kann hier der Erscheinungsort der Erstauflage stehen, wenn bekannt. |
| repository Annotationswert(e):
|
URL zum Repositorium des Faksimiles. |
| lang_type Annotationswert(e):
|
Angabe des Sprachtyps. mhd: mittelhochdeutsch; fnhd: frühneuhochdeutsch, nhd: neuhochdeutsch |
| lang_area Annotationswert(e):
|
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):
|
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):
|
Wenn im Metadatum "textgestaltung" die Werte "Poesie" oder "gemischt" angegeben sind, dann wird hier eingetragen, welche Gestaltungselemente dafür verwendet wurden. |
| wormwood Annotationswert(e):
|
Gibt an, ob ein Textabschnitt zum Thema "Wermut" transkribiert wurde. |
| herb_sorting Annotationswert(e):
|
Gibt an, ob es sich bei dem Text um eine Kräutermonographiesammlung handelt, d.h. dass nacheinander verschiedene Kräuter abgehandelt werden. |
| deprelGold Annotationswert(e):
|
Gibt an, ob die Dependenzparses und die korrespondierende Lemmatisierung sowie das pos-Tagging in dem entsprechenden Dokument manuell korrigiert wurden oder nicht. |