Bei der Erhebung der VieLko-Metadaten wurde besonders auf den Bildungshintergrund bzw. auf sprachbiographische Daten der Studierenden geachtet. Dabei wurden folgende Arten von Metadaten erhoben:

Neben diesen Lerner-Metadaten wurden auch Daten zu den erhobenen Texten gesammelt, die auch in den annotierten Dateien mitkodiert wurden und daher aktuell in der frei zugänglichen Version des Korpus lesbar und durchsuchbar sind. Eine dritte Art von Metadaten ist im Projekt lediglich zur internen Nutzung archiviert, und beinhaltet Informationen zu den verantwortlichen Projekt-Mitwirkenden sowie Einzelheiten zum Format der Prüfungen.

Die Primärdaten in VieLko sind vollständig digitalisiert und beinhalten Prüfungstexte sowie bewertete Prüfungsleistungen von vietnamesischen Studierenden, die ein Germanistikstudium an der ULIS bzw. an der HANU erfolgreich abgeschlossen haben. Zum Zweck der Datenerhebung haben sich die zwei Projekt-Teams auf eine Auswahl an Fachbereichen sowie Prüfungsarten geeinigt, die u. a. an beiden Hochschulen vorhanden sind und des Weiteren eine möglichst repräsentative Übersicht über den sprachlichen Erwerbsprozess der Proband*innen darstellen kann (s. Abbildung 1): Die Daten in den Bereichen A1-B2 umfassen Texte aus den Abschlussprüfungen in den Sprachkursen, die sich nach den entsprechenden GER-Sprachniveaus richten3 und in den ersten vier Semestern des Bachelorprogramms an beiden Hochschulen zu besuchen sind. Ab dem fünften Semester beteiligen sich Studierende je nach Fachrichtung an verschiedenen Seminaren in den Bereichen Linguistik, Translation, Literatur- und Kulturstudien – und zusätzlich noch an einem Sprachkurs zum Zielniveau C1 an der HANU, wo sie weitere Prüfungsleistungen wie Vorträge, Hausarbeiten, Portfolioarbeiten oder Klausuren abschließen müssen. Am Ende des Bachelorprogramms haben Studierende die Wahl, eine Abschlussarbeit zu schreiben. Im Gegensatz dazu gibt es im Master-Bereich eine geringere Anzahl von Leistungen: Als Korpusdaten wurden lediglich Hausarbeiten in den Fachseminaren und die obligatorischen Masterarbeiten erhoben. Diese Daten wurden wegen struktureller Unterschiede des Masterstudiengangs sowie der Vielzahl externer Studienbewerber*innen nur als Querschnittdaten erhoben, während im Bachelor-Bereich die Erhebung von sowohl Querschnitt- als auch Längsschnittdaten gelungen ist.

Die VieLko-Primärdaten unterscheiden sich in einer weiteren fundamentalen Eigenschaft: So sind manche Daten gesprochensprachlicher Kommunikation entnommen, bei anderen handelt es sich um schriftliche Textdaten. Mündliche Daten sind nur im ULIS-Teilkorpus vorhanden und wurden in Prüfungen im DaF-Bereich (als Paarprüfung mit Aufgaben im Format des Goethe-Zertifikats), in Dolmetsch-Prüfungen (als Einzelprüfung mit Aufgaben zum simultanen Dolmetschen), sowie in linguistischen Seminaren (als Einzelleistung beim Gruppenvortrag) aufgenommen. Wegen technischer Beschränkungen wurden diese in den vorgegangenen Entwicklungsphasen des Projekts außer Betracht gelassen. Die Daten bleiben daher aktuell in ihrer digitalen Rohform als mp3-Dateien, d. h. sie wurden weder transkribiert noch annotiert, und enthalten keine Metadaten.

Bei dem schriftlichen Datenbestand wurden alle Prüfungstexte vom Original abgescannt und zu txt-Dateien in UTF-8 digitalisiert. Hausarbeiten und Abschlussarbeiten wurden als PDF- oder Word-Dateien erhoben. Persönliche Daten und Eigennamen von Personen wurden vollständig anonymisiert. Zur weiteren Aufbereitung und Annotation wurde ein Ausschnitt der gesamten Daten für das Kernkorpus gewählt. Seitens der ULIS wurde eine gemischte Sammlung von Quer- und Längsschnittdaten aus dem DaF-Bereich (A2, B1, B2) und aus dem Übersetzen-Bereich ausgewählt, während sich das HANU-Team für den ganzen Bestand seiner B1-Texte entschieden hat (s. Abbildung 1). Da die Mehrheit dieser Texte aus verschiedenen Prüfungen stammte, lässt sich dabei eine Vielzahl an Textsorten finden: Briefe bzw. E-Mails, Blogkommentare, Forumsbeiträge (bei den DaF-Texten); Zeitungsartikel, Gebrauchsanweisungen usw. (bei den Übersetzungstexten).

Richtlinien zur Datenaufbereitung und -annotation des Kernkorpus wurden in Anlehnung an die fehlerannotierten Korpora MERLIN (vgl. Boyd et al. 2014) und FALKO (vgl. Reznicek et al. 2012; Hirschmann et al. 2022: 142–144) entworfen. Mithilfe des Korpuswerkzeugs EXMARaLDA (Dulko) (vgl. Hirschmann / Nolda 2019) wurden die Daten zweifach annotiert: