Korpuslinguistik

Der Begriff Korpuslinguistik umschreibt nicht eine eigenständige Disziplin innerhalb der Linguistik, sondern vielmehr eine Methode, mit der linguistische Fragestellungen aus verschiedensten linguistischen Teilbereichen beantwortet werden können.

Ein Korpus ist eine Sammlung von sprachlichen Daten. Meistens handelt es sich um geschriebene Sprache, also um Texte in den verschiedensten Formen wie zum Beispiel auch transkribierte Gespräche. Es existieren aber auch Korpora aus Audio- oder Videodateien.
Verschiedene Korpora unterscheiden sich vor allem durch die Aufbereitung und Zusammensetzung der Daten voneinander.

Aufbereitung
In der einfachsten Form besteht ein Korpus aus unbearbeiteten Texten. Abfrage- und Erkenntnismöglichkeiten sind dadurch ziemlich eingeschränkt. Mehr Informationen werden durch annotierte Korpora zugänglich.
Bei der Annotatierung werden die Sprachdaten mit zusätzlichen Informationen, meist linguistischer Natur, versehen. Besonders verbreitet sind die Angabe von Wortart (part of speech) und syntaktischen Informationen. Die Annotierung grosser Textmengen von Hand ist nicht effizent, die automatischen Verfahren, wie zum Beispiel das Wortarten-Tagging oder Parsingverfahren zur Ermittlung syntaktischer Strukturen sind fehlerbehaftet. Entschärfen lässt sich dieses Problem durch menschliche Nachbereitung und Korntrolle der automatisch annotierten Merkmale.

Zusammensetzung
Neben einsprachigen Korpora existieren auch sogenannte Parallelkorpora, welche dasselbe Dokument in zwei verschiedenen Sprachen enthalten. Korrespondierende Sätze sind einander gegenüber gestellt. Diese Alignierung macht einen sinnvollen Sprachvergleich erst möglich und bietet zum Beispiel Übersetzern in Bezug auf Fachbegriffe wertvolle Recherchemöglichkeiten.
Textsorte, Domäne und Sprachregister können für alle Sprachdaten eines Korpus übereinstimmen oder heterogen sein.
Je nach Forschungszweck können auch Korpora mit Texten aus einem bestimmten sprachlichen Register, mit geographisch begrenzten Sprachformen (z.B. Dialekten), oder aus bestimmten Epochen etc. zusammengestellt werden.