Das TwiBloCoP (Twitter + Blog Corpus – Parenting) enthält deutschsprachige Tweets und Blogposts von 44 Autor:innen aus der Elternblogger-Blogosphäre. Die Autor:innen schreiben in beiden Kommunikationskanälen über kinder- und familienbezogene Themen oder berichten von ihrem (Familien-)Alltag. Eine spezifische Community von Autor:innen wurde gewählt, um medienspezifische Variation im Inhalt der Texte zu minimieren. Das Thema Elternschaft bot sich an, da zum Zeitraum der Datenerhebung viele Personen zu diesem Themenbereich auf Twitter aktiv waren, die ebenfalls einen Blog betreiben.

Die Daten wurden im Februar 2017 gesammelt und umfassen Posts aus den vier vorhergegangenen Monaten. Um jeweils sowohl Blogs als auch Tweets derselben Personen zu sammeln, extrahierten wir aus der Twitter-Liste Elternbloggerkarte eine Menge von Autor:innen, die sowohl auf Twitter aktiv waren, als auch einen eigenen Blog betreiben. Die Rohdaten aus beiden Medien wurden mithilfe von Python-Skripten gesammelt: Blogposts wurden (wenn möglich) über einen RSS-Feed ausgelesen, die Tweets wurden durch die Twitter-API gesammelt. Die Verlinkung von Blogposts sowie Tweets erfolgte basierend auf der Selbst-Verlinkung des Blogs in der Twitter-Biografie der Autor:innen. Pro Autor:in sind ca. 10 Blogposts und ca. 1800 Tweets vorhanden.

Da die vorliegenden Daten möglicherweise sensible Inhalte enthalten, haben wir zwei Schritte zur Sicherung des Datenschutzes unternommen. Alle Autor:innen wurden per Opt-Out-Verfahren um Zustimmung zur Nutzung ihrer Texte gebeten. Nach Ausschluss der Personen, die nicht kontaktiert werden konnten oder der Datennutzung widersprachen, befinden sich Texte beider Medien von 44 Personen im Korpus. Die verbleibenden Texte wurden teils automatisch (Usernamen, E-Mailadressen, Telefonnummern, URLs), teils manuell (Personennamen, Ortsnamen) anonymisiert und Namen der Blogs pseudonymisiert. Namen von Personen der Öffentlichkeit wie Politiker:innen oder historische Personen wurden nicht ersetzt.

Alle Texte wurden mithilfe des Python-Pakets SoMaJo1 (vgl. Proisl / Uhrig 2016) automatisch satzsegmentiert und tokenisiert. Tabelle 1 zeigt eine Übersicht über die Größe des resultierenden Korpus.

Das Korpus umfasst Texte aus zwei unterschiedlichen Medien, die zusätzlich in ihrem Register variieren, wobei Register den situativen Kontext einer Kommunikation beschreibt (vgl. Biber / Conrad 2019). Autor:innen passen sich an ihre Gesprächspartner:innen und den Gesprächskontext an, ebenso variiert der Sprachgebrauch je nach kommunikativem Ziel. Basierend auf dieser Definition haben wir im Korpus drei Register identifiziert: INFORMIEREND, ERZÄHLEND und ÜBERZEUGEND. Diese unterscheiden sich im Grad der Involviertheit der Autor:innen sowie im emotionalen Gehalt der behandelten Themen. Die Registerdimensionen sind manuell für jeden Blogpost annotiert, Tweet-Sammlungen (pro Autor:in) erhalten das Register als Label, welches den Großteil der einzelnen Tweets am besten beschreibt.

Darüber hinaus sind im Korpus Modalpartikeln sowie Intensivierer manuell annotiert. Modalpartikeln (1)-(2) drücken Einstellungen von Autor:innen aus oder werden genutzt, um Erwartungen und Wissen im Diskurs zu verhandeln (vgl. Zimmermann 2011). Intensivierer (3)-(4) verstärken oder schwächen die Intensität einer Aussage (vgl. Breindl 2007). Beide Phänomene sind typisch für informelle Sprache in sozialen Medien. Die Häufigkeit einzelner Modalpartikeln wie Intensivierer variiert zwischen den Registerdimensionen, teilweise auch zwischen den beiden im Korpus enthaltenen Medien (vgl. Seemann / Scheffler 2022).

Eine detailliertere Beschreibung und Auswertung der Annotationen ist in Scheffler / Kern / Seemann (2022) zu finden.

Das Korpus liegt im Textformat und in einer XML-Struktur vor, welche sich am TEI-CMC Schema (vgl. Beißwenger et al. 2012; Beißwenger / Lüngen 2020) orientiert. Als Metadaten sind der Titel des Dokuments, die den Autor:innen zugewiesene ID, das Medium des Dokuments, sowie Zeitraum der Erstellung sowie Erhebung des Dokuments verzeichnet. Weiterhin wurden in Blogposts Absätze und Sätze, bzw. in Tweets sowohl Posts als auch Sätze sequenziell nummeriert und mit einer eindeutigen ID versehen. Verlinkte Medien wie Bilder, Videos und GIFs wurden nicht gespeichert und die zugehörigen Links wurden entfernt. Ein Beispiel des Datenformats ist in Scheffler / Kern / Seemann (2023) abgebildet. Die annotierte Registerdimension ist am jeweils zugehörigen Eintrag (Blogpost oder Tweetsammlung) vermerkt. Die Annotation von Modalpartikeln und Intensivierern liegen im CoNLL-Format2 mit Bezug auf die Dokument- und Satz-IDs vor.

Die Daten stehen zur wissenschaftlichen Forschung zur Verfügung und können per Anfrage an tatjana.scheffler@rub.de erhalten werden. Aktuelle Informationen sind auf der Webseite des Korpus zu finden3.

Durch die Sammlung von Texten verschiedener Medien und Register ermöglich TwiBloCoP Untersuchungen von sprachlicher Variation auf verschiedenen Ebenen. So kann bspw. untersucht werden, wie einzelne Autor:innen ihren Sprachgebrauch an das Medium oder das kommunikative Ziel anpassen. In den Beispielen (5) und (6) behandelt Autor:in 6794 denselben Inhalt, die genutzte Sprache allerdings variiert zwischen den beiden Medien Tweet und Blogpost.

Weiterhin bietet die vorhandene manuelle Annotation von Modalpartikeln eine Ressource, um diesen häufig für Lerner:innen schwierigen Gegenstand an authentischen Beispielen zu üben (s. bspw. Kresić / Batinić 2014 oder Schoonjans 2021 für entsprechende Überlegungen).