Das Dortmunder Chat-Korpus in CLARIN-D: Modellierung und Mehrwerte

Einleitung und Projekthintergrund
Die Kommunikation im Internet bzw. mit sozialen Medien hat in den vergangenen zwei Jahrzehnten in den geisteswissenschaftlichen Disziplinen eine zunehmende Aufmerksamkeit erfahren. Zahlreiche sprach-, sozial- und medienwissenschaftliche Analysen haben die sprachlichen und interaktionalen Besonderheiten bei der Kommunikation in Chats, Foren, Weblogs und sozialen Netzwerken, per SMS und WhatsApp als einen neuen Gegenstand geisteswissenschaftlicher Forschung erschlossen. Durch ihre digitale Verfügbarkeit sind Sprachdaten aus solchen Genres – im Gegensatz etwa zu Aufzeichnungen von Gesprächen – einfach zu gewinnen und für Forschungszwecke speicherbar. Trotzdem gibt es bislang wenige Korpora zur Sprachverwendung in sozialen Medien, die für Analysezwecke im Bereich der Digital Humanities aufbereitet sind und die der Scientific Community zur Nutzung zur Verfügung stehen. Das hat zum einen mit unklaren rechtlichen Rahmenbedingungen in Bezug auf die Nutzung und Bereitstellung digitaler Kommunikationsdaten für Forschungszwecke zu tun, zum anderen mit dem Fehlen geeigneter Standards für die Strukturbeschreibung und linguistische Annotation von Social-Media-Genres sowie der Notwendigkeit, automatische Annotationswerkszeuge für Daten dieses Typs anzupassen.
In unserem Beitrag präsentieren wir Ergebnisse aus dem Projekt „ChatCorpus2CLARIN“, das als Kurationsprojekt der fachspezifischen Arbeitsgruppe F-AG 1 „Deutsche Philologie“1. von Mai 2015 bis Februar 2016 vom BMBF gefördert wird. Ziel des Projekts ist es, das
Dortmunder Chat-Korpus, ein existierendes Korpus zur Sprachverwendung und Sprachvariation in der deutschsprachigen Chat-Kommunikation, in die Korpus-Infrastrukturen der CLARIN-D-Zentren an der Berlin-Brandenburgischen Akademie der Wissenschaften (BBAW) und am Institut für Deutsche Sprache (IDS) Mannheim zu integrieren. Dabei geht es insbesondere um die Herstellung einer Interoperabilität der Zielressource mit Korpora zur gesprochenen und geschriebenen Sprache (DWDS-Korpora, DeReKo, FOLK), die an der BBAW und am IDS bereits vorhanden sind. Die Bereitstellung des Chat-Korpus in CLARIN-D soll einen systematischen, korpusgestützten Vergleich der Sprachverwendung in Chats mit der Sprachverwendung in mündlichen Gesprächen und in redigierten Texten erlauben und der empirischen, sprachdatengestützten Forschung zur Sprache und Interaktion in sozialen Medien somit neue Möglichkeiten eröffnen.

Um Interoperabilität mit existierenden CLARIN-D-Ressourcen herzustellen und es
Forscher_innen zu ermöglichen, die unterschiedlichen Ressourcen im
Forschungsprozess vernetzt zu nutzen, wird das Chat-Korpus bei der Integration
unter Rückgriff auf Standards im Bereich der Digital Humanities remodelliert und
um zusätzliche linguistische Annotationen erweitert. Der Beitrag beschreibt die
Modellierung der Ressource und ihre Integration in CLARIN-D und zeigt, welche
Mehrwerte sich für Nutzer des Korpus durch die Integration und die zusätzlichen
Annotationen ergeben.

Die Ausgangsressource
Das
Dortmunder Chat-Korpus (Beißwenger 2013) ist eine Sammlung von Chat-Mitschnitten aus vier verschiedenen Handlungsbereichen (Freizeit, Bildung, Beratung, Medien), die ca. 140.000 Chatter-Beiträge und 1,06 Mio. Token umfasst und die 2002–2008 am Lehrstuhl für Linguistik der deutschen Sprache und Sprachdidaktik der TU Dortmund aufgebaut wurde. Die Daten sind in einem XML-Format repräsentiert, das zentrale Strukturelemente von protokollieren Chatverläufen (sog. ‚Logfiles‘) abbildet, unterschiedliche Typen von Chat-Beiträgen unterscheidet und ausgewählte Stilelemente internetbasierter Kommunikation erfasst. Teile des Korpus werden seit 2005 über die Website
http://www.chatkorpus.tu-dortmund.de zusammen mit einem einfachen, Java-basierten Abfragewerkzeug zur Verfügung gestellt. Das Korpus wird in diversen linguistischen und computerlinguistischen Projekten sowie im Bildungskontext (Schule und Hochschule) als Ressource in Forschung und Lehre genutzt.

Interoperabilität durch Anschluss an Standards im Bereich der Digital Humanities

Strukturmodellierung und Repräsentation in TEI
Für die Repräsentation der im Korpus dokumentierten Chat-Verläufe greifen wir auf die Formate der
Text Encoding Initiative (
TEI) zurück. In den TEI-Guidelines (TEI-P5) gibt es bislang keine Modelle für die Darstellung von Social-Media-Genres, dafür umfangreiche Module für die Strukturrepräsentation von Textgenres und von transkribierten Gesprächen. Die in den Guidelines vorgesehene Möglichkeit der
customization macht das Encoding-Framework aber flexibel genug, um es an die Erfordernisse auch von (neuen) Genres anzupassen.

Seit 2013 beschäftigt sich in der TEI eine Special Interest Group (SIG)
„Computer-mediated communication“ 2 mit der Entwicklung eines Standards für die Modellierung von
Social-Media-Genres (Beißwenger et al. 2012; Chanier et al. 2014; Margareta
/ Lüngen 2014). Das Projekt greift den aktuellen Stand der in der SIG
diskutierten Schemaentwürfe auf, testet diese an den Daten des Chat-Korpus
sowie an Ausschnitten ausgewählter weiterer Social-Media-Genres
(Wikipedia-Diskussionsseiten, WhatsApp-Dialoge, News-Diskussionen, Tweets)
und entwickelt sie weiter. Das dabei entstehende TEI-Schema wird in Form
eines ODD3dokumentiert und bildet die Grundlage für die TEI-Modellierung des
kompletten Korpus. Zugleich wird das ODD, dessen Fertigstellung für Herbst
2015 vorgesehen ist, in die weitere Arbeit der SIG eingespielt.

Linguistische Basisannotation mit „STTS 2.0“
Um die Recherchemöglichkeiten im Korpus zu verbessern, wird der
Ausgangsressource eine zusätzliche Annotationsebene hinzugefügt, deren Kern
Part-of-speech-Informationen (PoS) bilden. Das im Projekt verwendete
PoS-Tagset („STTS 2.0“, Beißwenger et al. 2015) verwendet die Kategorien des
Stuttgart-Tübingen Tagset (STTS, Schiller et al.
1999) und erweitert diese einerseits um Tags für typische Einheiten bei der
schriftlichen Sprachverwendung in Social-Media-Genres (u. a. Emoticons,
Hashtags, Adressierungen) sowie um Einheiten für die Darstellung von
Phänomenen, die typisch sind für Kontexte informeller, dialogischer
Kommunikation (u. a. Abtönungs- und Intensitätspartikeln, Diskursmarker).
Die Erweiterungen sind abgestimmt auf Erweiterungen, die am IDS für die
PoS-Annotation des FOLK-Korpus zur gesprochenen Sprache zum Einsatz kommen.
Um die Annotationen nach STTS 2.0 zu erzeugen, wurde das komplette
Chat-Korpus 2015 mit einem POS-Tagger annotiert, für den im BMBF-Projekt
“Analyse und Instrumentarien zur Beobachtung des Schreibgebrauchs im
Deutschen” (IDS 2014-2016) neue Taggermodelle speziell für den Umgang mit
Social-Media-Genres entwickelt wurden (Horbach et al. 2014). Um das Ergebnis
der automatischen Annotation manuell nachzukorrigieren und zusätzlich
einzelnen Tokens normalisierte Formen zuzuordnen, wurde das Werkzeug OrthoNormal (Schmidt 2012) auf die Bearbeitung von
Chat-Daten angepasst.

Zielressource und Mehrwerte
Die Integration in die Infrastrukturen der beteiligten CLARIN-D-Zentren umfasst die Archivierung in den Repositorien an der BBAW und am IDS, die Aufnahme der Metadaten in das Virtual Language Observatory (VLO), die Einbindung der Daten in die korpusübergreifende Suchmaschine
CLARIN Federated Content Search sowie die Bereitstellung über Webservices.

Die rechtlichen Bedingungen der Bereitstellung werden über ein Rechtsgutachten
geklärt. Je nach Ergebnis kommen für die Ressource unterschiedliche
Lizenzmodelle in Frage: Als Idealfall wird eine CLARIN-Endnutzer-Lizenz vom Typ
PUB („publicly available“, Oksanen et al. 2010) angestrebt, gegebenenfalls aber
auch der Lizenztyp ACA-NC (akademische, nicht-kommerzielle Nutzung zum
vollständigen Kopieren / Download freigegebener Ressourcen) oder, falls
erforderlich, eine Beschränkung auf eine Nutzung über eine
Korpusrecherchesoftware durch bei CLARIN registrierte Nutzer (Lizenztyp QAO-NC,
gemäß Vorschlag in Kupietz / Lüngen 2014).
Nach der Integration wird die Zielressource für Nutzer im Bereich der Digital Humanities gegenüber der Ausgangsressource die folgenden Mehrwerte aufweisen:

Erweiterung der Möglichkeiten des Zugriffs und der Durchsuchbarkeit der Ressource.

Interoperabilität auf der Ebene der Dokumentstruktur (TEI): Durch die Remodellierung in einem TEI-Format wird die Ressource interoperabel mit anderen in TEI repräsentierten Sprachressourcen und Annotations- bzw. Analysewerkzeugen.

Linguistische Annotation: Die Anreicherung um zusätzliche linguistische Basisannotationen wird die Möglichkeiten zur Nutzung der Ressource für die korpusgestützte Sprachanalyse erweitern und anspruchsvollere linguistische Suchanfragen ermöglichen.

Interoperabilität auf der Ebene der linguistischen Annotation (STTS): Durch die Kompatibilität der Part-of-speech-Annotationen mit STTS wird die Ressource interoperabel mit anderen nach STTS annotieren Sprachressourcen.

Vernetzung mit Korpusressourcen anderen Typs: Durch die Integration in CLARIN-D und die genannten Interoperabilitätsmerkmale werden die Möglichkeiten zu einem korpusgestützten Vergleich sprachlicher Besonderheiten im Chat-Korpus mit Korpora gesprochener Sprache und Korpora redigierter Schriftlichkeit verbessert.

Verbesserte Auffindbarkeit der Ressource durch die Bereitstellung standardisierter Metadaten und die Aufnahme in das VLO.

Die Ergebnisse aus dem Projekt können zum gegenwärtigen Zeitpunkt z. T. nur
perspektivisch formuliert werden. Zum Termin der Konferenz werden die
Projektarbeiten abgeschlossen sein und die Ergebnisse vorliegen.

Für weitere Informationen siehe http://www.clarin-d.de/de/wissenschaftsbereiche/germanistik

Sie hierzu die Webseite der TEI unter http://www.tei-c.org/Activities/SIG/CMC/.

Siehe http://www.tei-c.org/Guidelines/Customization/odds.xml.

Bibliographie

Beißwenger, Michael (2013): "Das Dortmunder
Chat-Korpus", in: Zeitschrift für germanistische
Linguistik 41, 1: 161-164. Erweiterte Fassung online: http://tinyurl.com/chatkorpus [letzter Zugriff 18. September
2015]. Beißwenger, Michael / Ermakova, Maria / Geyken,
Alexander / Lemnitzer, Lothar / Storrer, Angelika (2012): "A TEI
Schema for the Representation of Computer-mediated Communication", in: Journal of the Text Encoding Initiative (jTEI) 3.
http://jtei.revues.org/476 [letzter Zugriff 18. September
2015].

Beißwenger, Michael / Bartz, Thomas / Storrer, Angelika /
Westpfahl, Swantje (2015): Tagset und Richtlinie
für das PoS-Tagging von Sprachdaten aus Genres internetbasierter
Kommunikation. https://sites.google.com/site/empirist2015/home/annotation-guidelines
[letzter Zugriff 18. September 2015].

Chanier, Thierry / Poudat, Celine / Sagot, Benoit /
Antoniadis, Georges / Wigham, Ciara / Hriba, Linda / Longhi, Julien /
Seddah, Djamé (2014): "The CoMeRe corpus for French: structuring
and annotating heterogeneous CMC genres", in: Journal of
Language Technology and Computational Linguistics 2: 1-30. http://www.jlcl.org/2014_Heft2/1Chanier-et-al.pdf [letzter
Zugriff 18. September 2015].

Horbach, Andrea / Steffen, Diana / Thater, Stefan / Pinkal,
Manfred (2014): "Improving the Performance of Standard
Part-of-Speech Taggers for Computer-Mediated Communication", in: Proceedings of KONVENS 2014 171-177.

IDS = Institut für Deutsche Sprache (2014-2016): Projekt Schreibgebrauch. Analyse und Instrumentarien
zur Beobachtung des Schreibgebrauchs im Deutschen http://www.schreibgebrauch.de/index.html.

Kupietz, Marc / Lüngen, Harald (2014): "Recent
developments in DeReKo", in: Calzolari, Nicoletta / Choukri, Khalid /
Declerck, Thierry / Loftsson, Hrafn / Maegaard, Bente / Mariani, Joseph /
Odijk, Jan / Piperidis, Stelios (eds): Proceedings of the
Ninth International Conference on Language Resources and Evaluation
(LREC 2014), Reykjavik, Iceland.

Margaretha, Eliza / Lüngen, Harald (2014): "Building
Linguistic Corpora from Wikipedia Articles and Discussions", in: Journal of Language Technology and Computational
Linguistics 2: 59-82. http://www. jlcl.org/2014_Heft2/3MargarethaLuengen.pdf [letzter
Zugriff 18. September 2015].

Oksanen, Ville / Lindén, Krister / Westerlund, Hanna
(2010): "Laundry Symbols and License Management: Practical Considerations
for the Distribution of LRs based on experiences from CLARIN", in: Proceedings of LREC 2010: Workshop on Language Resources:
From Storyboard to Sustainability and LR Lifecycle Management,
Malta.

Schmidt, Thomas (2012): "EXMARaLDA and the FOLK tools –
two toolsets for transcribing and annotating spoken language", in: Proceedings of LREC2012
http://www.lrec-conf.org/proceedings/lrec2012/pdf/529_Paper.pdf
[letzter Zugriff 18. September 2015].

Schiller, Anne / Teufel, Simone / Stöckert, Christine
(1999): Guidelines für das Tagging deutscher Textcorpora
mit STTS (Kleines und großes Tagset). Universität Stuttgart:
Institut für maschinelle Sprachverarbeitung.

TEI Consortium (eds.) (2007): TEI P5:
Guidelines for Electronic Text Encoding and Interchange
http://www.tei-c.org/Guidelines/P5/ [letzter Zugriff 18.
September 2015].