3.1 MTAS-basierte Search Engine

Die in der DGD verwendete Oracle Datenbank bietet eine mächtige Query-Syntax an. Wenn es um größere Datenmengen geht, sind Lucene¹⁶-basierte Suchmaschinen jedoch in Geschwindigkeit und Skalierbarkeit relationalen Datenbanken gegenüber überlegen. Zwar hat man im Fall von mündlichen Korpora noch nicht mit vergleichbar großen Datenmengen wie bei Korpora geschriebener Sprache zu tun (mehr dazu bei Kupietz / Schmidt 2015). Es lohnt sich aber trotzdem auf mittlere und längere Sicht, in Bezug auf die DGD den Arbeitsaufwand nicht nur in die Weiterentwicklung der gegenwärtigen Software zu investieren, sondern schon heutzutage mit Aussicht auf die Zukunft neue alternative Architekturlösungen zu testen, welche einen effizienten Umgang mit sehr großen Mengen mündlicher Daten ermöglichen und diese innerhalb einer den Endnutzer:innen zumutbaren Zeit durchsuchen können. So ist im ZuMult-Projekt eine vollkommen neue Suchmaschine für die Recherche in den AGD-Korpora entstanden, die mit Hilfe des speziell für Korpussuchen entwickelten Lucene-basierten Frameworks MTAS (Multi-Tier Annotation Search, vgl. Brouwer et al. 2016) implementiert wurde. Im Vergleich zu den anderen Lucene-basierten und ebenso für Korpusrecherchen entwickelten open source Frameworks wie z.B. KorAP¹⁷ und BlackLab¹⁸ zeichnet sich MTAS durch eine große Flexibilität bei der Erstellung der Suchindizes aus. Diese können direkt aus den in unserem Projekt verwendeten TEI-basierten und durch die ISO standardisierten Transkriptformaten erstellt und mittels einer Korpussuchanfragesprache abgefragt werden.

Die Dienste der neu implementierten ZuMult-Suchmaschine können über RESTful Web Services¹⁹ genutzt werden. Sie enthalten keine Einschränkungen für die Anzahl und Darstellung der Suchergebnisse: Alle Treffer können vom Client (hier ZuRecht) in kleinen Teilen angefragt und dem/der Nutzer:in angezeigt werden.

3.2 ISO-TEI-Standard für Transkripte

Wie oben bereits erwähnt, arbeitet die neue Suchmaschine mit den Transkripten im TEI-basierten und dem von der ISO standardisierten Dateiformat (ISO 24624:2016). Im Gegensatz zu FOLKER-Transkripten²⁰, die aktuell von der DGD verwendet werden, bietet der ISO/TEI-Standard Mittel zur Integration der token- und sprecherübergreifenden sowie zeitbasierten Annotationen, die nun über ZuRecht durchsucht werden können. Als Beispiel können die manuell erstellten Annotationen von sprachlichen Handlungen (mehr dazu in Kapitel 5.2) und automatisch hinzugefügten speech rate-Annotationen (siehe Kapitel 4.3) im FOLK und GeWiss-Korpora genannt werden.

3.3 Suchanfragesprache (CQP)

Für die Suchanfragen in ZuRecht wird die MTAS eigene Variante der CQP-Syntax verwendet. CQP ist ursprünglich die Abfragesprache des Corpus Query Processors – einer linguistischen Suchmaschine, die an der Universität Stuttgart als Teil der IMS Open Corpus Workbench (CWB)²¹ entwickelt wurde. CQP kennzeichnet sich durch eine besondere Syntax aus. Diese besteht aus einer Reihenfolge von Tokenspezifikationen, welche aus einer oder mehreren Attribut-Wert-Paaren zusammengesetzt und durch eckige Klammer dargestellt werden. (1) ist ein Beispiel für eine mögliche CQP-Suchanfrage. Diese findet alle orthographisch als auf normalisierten Formen, gefolgt von einem Element der Wortart „Artikel“ (ART) und dem Lemma Seite. Zwischen dem Artikel und dem Nomen kann optional (dies spezifiziert der reguläre Ausdruck?) ein Element der Wortart „attribuierendes Indefinitpronomen“ (PIDAT) vorkommen. Die Suchanfrage findet damit Sequenzen wie auf die seite, uf de seit, auf der andern seite, uff der annere seite etc.

Da heutzutage viele Suchmaschinen (wie z.B. Poliqarp²², SketchEngine²³, BlackLab²⁴) eine ähnliche Syntax für ihre Anfragesprachen verwenden, wird mittlerweile oft eine ganze Familie von Suchanfragesprachen, die eine CQP-ähnliche Syntax aufweisen, mit dem Begriff CQP bezeichnet, im Gegensatz zu den anderen z.B. graphenbasierten Anfragesprachen mit einer ganz anderen Syntaxform (vgl. z.B. ANNIS Query Language²⁵). Eine Studie zur Nutzung mündlicher Korpora (vgl. Fandrych et al. 2016) ergab, dass CQP auch diejenige Sprache ist, die den meisten (wenn auch immer noch wenigen) DGD-Nutzer:innen geläufig ist. Nun kann diese Sprache verwendet werden, um AGD-Korpora via ZuRecht zu durchsuchen. Es handelt sich um die MTAS eigene Variante der CQP, die eine modifizierte Form der Suchanfragesprache der CWB darstellt, erweitert durch einige Operatoren der Corpus Query Language von SketchEngine. Abbildung 3 zeigt die oben erwähnte CQP-Suchanfrage eingegeben in das Suchanfragefeld von ZuRecht²⁶.

Abbildung 3

Beispiel für eine mögliche CQP-Suchanfrage in ZuRecht

3.4 Suchoptionen

Die MTAS-basierte Search Engine von ZuRecht bietet mehrere Vorteile gegenüber den aktuellen Suchmöglichkeiten der DGD. Zum einen konnten mit der neuen Search Engine neue Elemente aus den Transkriptionen indiziert und für die Suche verfügbar gemacht werden, z.B. können jetzt nicht nur Word-Token und tokenbasierte Annotationen, sondern auch zeitbasierte, token- und sprecherübergreifende Annotationen, Sprecherüberlappungen, transkribierte Pausen (inkl. Dauer), Ein- und Ausatmen sowie andere verbale und nonverbale Phänomene recherchiert werden. Zusätzlich wurden unterschiedliche Typen von Suchindizes erstellt, um die Suche mit oder ohne Satzzeichen und die sprecherbasierte Suche (mehr dazu in Kapitel 4.2 und in Frick / Helmer / Schmidt 2022) zu ermöglichen.

Zum anderen besteht nun die Möglichkeit, die AGD-Korpora mit Hilfe einer extra für Korpusrecherchen entwickelten Suchanfragesprache durchsuchen zu können. Das bedeutet erstens, dass eine komplexe Suchanfrage als ein geschlossener Ausdruck formuliert und in einem einzigen Schritt (ohne mehrstufiges Filtern) abgeschickt werden kann. Zweitens heißt es, dass die Suchanfragen für die AGD-Korpora komplexer als bis jetzt gestaltet werden können. Es kann z.B. direkt in der Suchanfrage eine Negation für die Ausschließung bestimmter Token, Annotationen und Metadaten formuliert werden. Zudem können optionale Query-Elemente (mit Hilfe regulärer Ausdrücke) und Vergleichsoperatoren (z.B. für die Suche nach Pausen mit einer bestimmten Länge) verwendet werden. Suchen nach unbestimmten Token, nach Strukturen und die Positionssuche (z.B. mit Hilfe der Präzedenzoperatoren) sind ebenfalls möglich. Hier sind einige Beispiele:

Darüber hinaus bietet die ZuRecht-Nutzeroberfläche neben der CQP-basierten Suche noch einen weiteren Lemma- und Suchanfragelisten-basierten Zugang zur Recherche in Transkripten. Es besteht die Möglichkeit, eine benutzerdefinierte Liste der Lemmata als Text-Datei zu erstellen, sie in ZuRecht hochzuladen und sich die Transkripte anzeigen zu lassen, die die meisten Lemmata aus dieser Liste enthalten. Die Ergebnisse können anschließend nach absoluten oder relativen Häufigkeiten der Treffer sowie auch nach den gefundenen Wortformen sortiert werden. Mit der Entwicklung dieser Funktionalität sollten Bedürfnisse bestimmter Nutzergruppen Berücksichtigung finden wie etwa die von Lexikograf:innen/Lexikolog:innen bei der Suche nach Neologismen-Beispielen, oder die von DaF/DaZ-Lehrenden bei der Bearbeitung einer für das Thema des Unterrichts relevanten Wortschatzliste (mehr dazu in Kapitel 5.1).

3.5 Arbeiten mit Suchergebnissen

Die Ergebnisse der CQP-Suche werden in ZuRecht als KWIC-Konkordanz angezeigt (Abbildung 4). Zu jedem Treffer können Sprecher- und Gesprächsmetadaten abgerufen werden. Zusätzlich kann jeder Treffer im Transkriptbrowser ZuViel (Zugang zu Visualisierungselementen für Transkripte) im größeren Kontext geöffnet, angehört und nach Bedarf heruntergeladen werden (für weitere Informationen siehe Schmidt / Schwendemann / Wallner 2023 in dieser Themenausgabe).

Abbildung 4

KWIC-Konkordanz in ZuRecht

Die Suchergebnisse lassen sich nach Metadaten, Annotationen und der Anzahl der Token im Treffer gruppieren. Eine durch Nutzer:innen definierte Anzahl der Treffer inklusive der benötigten Metadaten und dem spezifizierten Kontext kann in der KWIC-Form im XML-Format heruntergeladen werden, um z.B. im Excel weiterverarbeitet werden zu können (ein Beispiel dazu findet sich in Kapitel 4.1).

3.6 Hilfe zum Erstellen von Suchanfragen

Die Suche in ZuRecht bietet viele Möglichkeiten, erfordert aber auch gewisse Vorkenntnisse der CQP-Syntax und der in Korpora verfügbaren Metadaten und Annotationen. Um den Nutzer:innen den Einstieg zu erleichtern, wurde ein dem Query Builder²⁷ ähnliches Konstrukt in das Suchanfragefeld integriert, das automatisch – nach dem Mausklick in das Suchanfragefeld – erscheint und mit dessen Hilfe eine Auswahl der für die Suche vorhandenen Annotationen und Metadatenkategorien sowie deren möglichen Spezifikationswerte (z.B. POS-Annotationstags) getroffen werden kann (Abbildungen 5 und 6). Zusätzlich stehen eine umfangreiche Dokumentation der in ZuRecht verwendeten Suchanfragesprache und zahlreiche Suchanfragebeispiele direkt im User Interface (über den Hilfe-Button mit dem Fragezeichen) zur Verfügung.

Abbildung 5

Hilfe zur CQP-Syntax

Abbildung 6

Auswahl der verfügbaren Spezifikationswerte für die Metadaten-Kategorie „mediale Realisierung“

Derzeit befindet sich ZuRecht noch in einem Prototyp-Status. Auch wenn es noch auf die Schnelligkeit und Skalierbarkeit für größere Datenmengen getestet werden muss, eröffnet es den DGD-Nutzer:innen bereits jetzt vielfältige neue Forschungs- und Einsatzmöglichkeiten. Diese sollen in den nächsten Kapiteln exemplarisch skizziert werden.

4.1 Suche nach Mehrworteinheiten am Beispiel von ich weiß nicht

In Untersuchungen zu grammatischen Strukturen des gesprochenen Deutsch wurden regelmäßig Mehrworteinheiten untersucht, etwa Reduplizierungen wie ja ja (vgl. Barth-Weingarten 2011), Kommentarphrasen wie ohne Scheiß (vgl. Torres Cajo 2017), Modalverbkonstruktionen wie darf ich/kann ich (vgl. Deppermann / Gubina 2021), Quotativkonstruktionen wie nach dem Motto und von wegen (vgl. Moroni 2021) oder aus mehreren Wörtern bestehende Diskursmarker wie ich sag mal so (vgl. Auer / Günthner 2004), keine Ahnung (vgl. Bergmann 2017) oder ich weiß nicht (vgl. Helmer / Deppermann / Reineke 2017).

Entsprechende Suchen lassen sich bereits in der DGD vornehmen. Mit ZuRecht eröffnet sich den Forschenden allerdings die Möglichkeit, die Suche nach Mehrworteinheiten noch effizienter und kompakter, vor allem ohne die Notwendigkeit mehrerer Filteranwendungen und zusätzlich mit neuen Suchoptionen (z.B. Negation), durchzuführen. Dies lässt sich am Beispiel von ich weiß nicht gut illustrieren.

In der DGD müssen Forschende zunächst eines der Wörter auswählen, das sie im Recherchereiter für die Tokensuche (siehe Wortindex-basierte Recherche in Kapitel 2) als „Basistoken“ eingeben. Bei dem Format ich weiß nicht muss dies das Worttoken weiß sein, weil die Token ich und nicht zu häufig sind und ihre Belegstellen wegen der Treffereinschränkung der Datenbank nur unvollständig angezeigt werden können²⁹. Der Suche nach diesem ersten Token folgen in der DGD mehrere Schritte, in denen der linke und rechte Kontext des Basistokens bestimmt werden. So wird in dem hier beschriebenen Beispiel zuerst nach ich links des Basistokens weiß gesucht. Die Ergebnisse werden ausgefiltert und anschließend das Token nicht im rechten Kontext des Basistokens gesucht. Da nicht mehrere Token gleichzeitig im Kontext gesucht werden können, muss zwischen den Suchen immer wieder der Schritt des Ausfilterns der nicht passenden Belege aus der KWIC-Liste erfolgen. Interessieren Forschende ausschließlich Fälle von ich weiß nicht, denen kein Komplementsatz folgt (z.B. ich weiß nicht, ob oder Fälle mit Relativ- und Interrogativpronomen wie ich weiß nicht, wer/wann/welche)³⁰, müssen über die Kontextsuche in mehreren weiteren Schritten diverse Wortformen und POS-Tags ausgeschlossen werden, etwa ob in der normalisierten Form sowie die POS-Tags PWS, PWAV, und PWAT, mit denen die oben genannten Relativ- und Interrogativpronomen getaggt sind.

Durch die Möglichkeit, die CQP-Suchanfragesprache zu verwenden, lassen sich solche komplexen Suchanfragen in ZuRecht deutlich effizienter und kompakter gestalten. In einer einzigen Zeile kann die gesamte Suchanfrage mit dem folgenden Suchausdruck (Beispiel 9) eingegeben und an den Server abgeschickt werden (vgl. auch Abbildung 7):

Abbildung 7

Die einzeilige Suchanfrage in ZuRecht

Durch [norm = "ich"][norm = "weiß"][]{0,3}[norm = "nicht"] im Beispiel (9) kann direkt zusammenhängend nach der Folge ich weiß nicht gesucht werden (wobei auch dialektale Varianten wie ick weeß nich eingeschlossen sind), ohne dabei ein Basistoken auswählen zu müssen. In der Suchanfragesyntax kann außerdem spezifiziert werden, in welchem Abstand die Token aufeinander folgen können. Im Beispiel oben sollen ich und weiß direkt aufeinander folgen; dagegen gibt []{0,3} an, dass zwischen weiß und nicht drei Token liegen dürfen, was Belege wie ich weiß es/das echt gar nicht mit einschließt. Die Abstandsangabe kann beliebig variiert werden, ohne dass bei einer Änderung wieder ein mehrschrittiger Suchprozess von Anfang an begonnen werden muss, wie es in der DGD der Fall wäre.

Durch den Negationsoperator! in Kombination mit dem Präzedenzoperator followedby kann außerdem direkt bei der Suchanfrage spezifiziert werden, welche Wortformen oder Wortarten nicht auf ich weiß nicht folgen sollen. Wie bereits in der oben beschriebenen DGD-Suche können dies verschiedene Pronomen sein sowie die Konjunktion ob. Durch eine Kombination mit dem regulären Ausdruck.* werden durch!followedby [pos = "PW.*"|norm = "ob"] sowohl alle Pronomen, deren POS-Tags mit „PW“ beginnen³¹, aussortiert als auch alle normalisierten Formen von ob. Die so formulierte komplette Suchanfrage liefert insgesamt 1213 Treffer (Stand: September 2022, vgl. Abbildung 7).

Durch Anklicken der Transkript-ID (gestrichelt umrandet in Abbildung 7) wird man zur Datenbank für Gesprochenes Deutsch weitergeleitet und bekommt dort die Metadaten des entsprechenden Gesprächs angezeigt. Auch die Metadaten der Sprecher:innen lassen sich auf diese Weise bei einem Klick auf die Sprechersiglen (gepunktet umrandet in Abbildung 7) anzeigen.

Die Trefferliste lässt sich außerdem über den Button „Metadatenansicht“ (mit einer durchgezogenen Linie umrandet in Abbildung 7) nach verschiedenen Metadaten-Kriterien gruppieren. Es könnte Forschende etwa interessieren, in welcher Art Interaktionstyp in FOLK ich weiß nicht besonders häufig zu finden ist. Zu diesem Zweck wäre als Deskriptor „SE: Kurzbezeichnung („Art“)“ auszuwählen und die Ergebnisse nach „Treffer (abs.) absteigend“ zu sortieren. Im oben beschriebenen Fall zeigt sich, dass ich weiß [es/das] nicht ohne Komplementsatz in FOLK aktuell am häufigsten in Telefongesprächen geäußert wird (vgl. Abbildung 8)³².

Abbildung 8

Ergebnisse der Metadatenansicht

Möchten Forschende schon im ersten Schritt nur Belege aus Interaktionen finden, die bestimmten Kriterien entsprechen, können Angaben zu Metadaten auch direkt in den Suchausdruck integriert werden. Im Beispiel könnten Forschende die KWIC-Ergebnisliste direkt auf Belege aus Telefongesprächen einschränken wollen, z.B., weil dort die meisten Belege zu finden sind, oder mit der Motivation, nur solche Interaktionen zu berücksichtigen, in denen Mimik und Gestik keine Rolle spielen (können). Die entsprechende Einschränkung lässt sich mit within <e_se_mediale_realisierung = "Telefon"/> vornehmen, wobei auch hier die Hilfe bei der Generierung der Suchsyntax schon mögliche Metadatenoptionen auflistet (vgl. hierzu Abbildung 6 in Kapitel 3). Der gesamte vorherige Suchausdruck muss bei der neuen Anfrage in runde Klammern gesetzt werden wie das in Beispiel (10) gezeigt ist. Die so weiter eingeschränkte Suchanfrage liefert insgesamt 231 Treffer (Stand: September 2022) in der KWIC-Ergebnisliste.

Was auf den ersten Blick zunächst komplex und voraussetzungsreich wirkt, ist lediglich eine kompakte Verschriftlichung des oben beschriebenen Suchprozesses und umgeht das Durchlaufen mehrerer Schritte bei der Kontextsuche und dem Filtern. Die in Kapitel 3 beschriebene nutzerfreundliche automatische Vervollständigung der Suchanfragesyntax erleichtert das Vorgehen zudem sehr. Insbesondere, wenn Forschende bei der Eingabe der Suchsyntax Routine gewinnen sowie vorab schon eine Vorstellung davon haben, welche Bedingungen für ihre Suche gelten sollen (z.B. ausgeschlossene oder spezifizierte Wortformen und POS-Tags oder bestimmte Kriterien, die in Metadaten erfasst sind), gestaltet sich die Suche in ZuRecht deutlich effizienter und schneller als eine vergleichbare Suche in der DGD. Sie hat zudem eine höhere Fehlertoleranz in dem Sinne, dass Fehler in der Suchanfrageleiste selbst korrigiert werden können und nicht ein unter Umständen komplexer, mehrschrittiger Suchprozess von vorne begonnen werden muss.

Forschende können die Transkripte zu den Treffern in der KWIC-Ergebnisliste in der DGD oder im Tool ZuViel (vgl. Schmidt / Schwendemann / Wallner 2023 in dieser Themenausgabe) ansehen und die dazugehörigen Audio- (und ggf. Video-)Dateien abspielen. Typischerweise möchten Forschende aus der Gesprächsforschung die gefundenen Belege außerdem weiterbearbeiten, um erstens ihre Kollektion weiter zu schärfen (etwa weil sich noch falsche Positive darin befinden³³) und zweitens Belege nach bestimmten Kriterien weiter zu kodieren, d.h. kategorisieren (z.B. nach bestimmten grammatischen Aspekten oder bestimmten Sprechhandlungen). Zu diesem Zweck können Forschende die Treffer der KWIC-Ergebnisliste herunterladen. Beim Klick auf den Button „Download KWIC“ öffnet sich ein Fenster (vgl. Abbildung 9), in dem bestimmte Angaben wie die Größe des gewünschten Kontextes der KWIC-Belege spezifiziert werden können. Im Beispiel wurde der rechte Kontext größer gewählt, da sich so auf den ersten Blick schnell Belege identifizieren lassen, in denen ich weiß nicht potenziell als epistemischer oder pragmatischer Diskursmarker über den Folgekontext operiert. Zudem lassen sich auch in diesem Fenster weitere Metadaten auswählen – deren Ausprägungen werden zusätzlich in die herunterladbare Datei aufgenommen. Im Beispiel könnte es sinnvoll sein, als Zusatzinformation die Erstsprache der Sprecher:innen zu erfassen, um bei der weiteren Arbeit zwecks Ausschlusses potenziell beobachtbarer Effekte Personen auszuschließen, die nicht Deutsch als Erstsprache sprechen.

Abbildung 9

Auswahlfenster für den Download der KWIC-Belege als xml-Datei

Die herunterladbare xml-Datei können Forschende in Excel öffnen. Dort finden sich in den Spalten die Namen der Transkripte, die Sprechersiglen, der linke und der rechte Kontext, die zuvor im Auswahlfenster markierten Metadaten-Angaben sowie je ein Link zum Transkriptausschnitt in der DGD und in ZuViel (vgl. Abbildung 10).

Abbildung 10

In Excel geöffnete xml-Datei

Im weiteren Forschungsprozess können Forschende in der Excel-Datei ihre weiteren Kodierungen in hierfür angelegten Spalten vornehmen. In der Studie von Helmer / Deppermann / Reineke (2017) etwa wurden Angaben zum Vorhandensein vs. Fehlen grammatischer Konstituenten (wie z.B. das Objekt das/es in ich weiß [es/das] nicht) sowie Kategorisierungen der nach ich weiß nicht folgenden Sprechhandlung vorgenommen (Vermutung, Vorschlag, Bekräftigung von Nichtwissen usw.).³⁴

4.2 Suche im sprecherbasierten Modus

ZuRecht bietet neben der Suche in gesamten Transkripten auch einen sprecherbasierten Suchmodus an. Die Beiträge aller Sprecher:innen werden in diesem Modus ähnlich wie Annotationen auf die Äußerungen anderer Sprecher:innen projiziert. Außerdem werden die Token-Distanz und -Reihenfolge anders als bei der gewöhnlichen transkriptbasierten Suche berechnet, und zwar nur in Bezug auf eine/n einzige/n Sprecher:in (ohne Berücksichtigung von Beiträgen anderer Sprecher:innen). Diese Art der Suche ermöglicht präzisere Recherchen mit Berücksichtigung des Sprecherwechsels bei überlappenden Sprecherbeiträgen³⁵. Möchten Forschende eine bestimmte Wortfolge finden, die von einer einzigen Person geäußert wird (z.B. die Kombination der Responsive ja genau), ist der entsprechende Suchmodus in der Suchzeile auszuwählen (vgl. Abbildung 11). Mit der Suchanfrage (11) im sprecherbasierten Modus werden Belege ausgeschlossen, die durch den transkriptbasierten Suchmodus enthalten wären, in denen ja und genau von zwei unterschiedlichen Personen geäußert werden.

Abbildung 11

Der sprecherbasierte Suchmodus in ZuRecht

ZuRecht bietet im sprecherbasierten Suchmodus Forschenden weiterhin die Möglichkeit, nach Sprecherwechseln sowie nach Token vor oder nach einem Sprecherwechsel zu suchen. Dies erleichtert die Suche nach hochfrequenten Wortformen wie ja, genau oder eben, die in verschiedenen Positionen und Funktionen vorkommen (z.B. auch als Modalpartikel innerhalb eines Sprecherbeitrags), für die aber ganz spezifische Funktionen gefunden werden sollen, etwa die Vorkommnisse als Responsivpartikel. Eine entsprechende Suche kann durch die Angabe des Präzedenzoperators precededby und die Angabe, dass zuvor <another-speaker/> geredet haben soll, eingegrenzt werden. So lassen sich durch die Suchanfrage (12) gezielt Belege des hochfrequenten ja als Responsivpartikel finden. In der transkriptbasierten Suche würde demgegenüber die Suchanfrage nach normalisiertem ja, selbst mit der Einschränkung, dass nur Fälle gefunden werden sollen, in denen ja als Interjektion oder Responsivpartikel getaggt ist ([norm = "ja" & pos = "NGIRR"]), sehr viele falsche Positive liefern, z.B. Fälle von selbstresponsivem oder auto-reflexivem ja innerhalb von Sprecherbeiträgen (z.B. „er hat dann irgendwie dann (2.3) ja keinen blick dann“ (FOLK_E_00022_T04_c588)).

Durch weitere Angaben, die die CQP-Suchsyntax in ZuRecht ebenfalls erlaubt, lassen sich zudem weitere Spezifikationen angeben; etwa dahingehend, ob für die gewünschten Belege Überlappungen ausgeschlossen oder im Gegenteil eine Bedingung sein sollen oder/und ob Pausen und andere, paraverbale Token im Kontext zu finden sein sollen. So könnten für eine Untersuchung von oder? als question tag bestimmte Spezifikationen interessant sein, um gezielt und effizient reaktionseinfordernde Funktionen zu finden, d.h. Fälle, in denen die Reaktion eines Folgesprechers im Sinne eines response pursuits (vgl. Pomerantz 1984) durch das oder? elizitiert wurde, nachdem zunächst keine Reaktion erfolgt³⁶. Diese Belege sollen zum einen nach einer Pause (d.h. potenziell nach dem hörbaren Ende einer Äußerungseinheit einer Person), zum anderen nicht in Überlappung mit einem potenziellen Folgesprecher und zudem vor einer Folgereaktion einer anderen Person zu finden sein (vgl. Abbildung 12).

Abbildung 12

Mittels der beschriebenen Suchanfrage im sprecherbasierten Modus gefundener Beleg (FOLK_E_00293_SE_01_T_02_c320) eines oder als response pursuit, hier in der Transkriptdarstellung durch das Tool ZuViel

Eine solche Suche könnte im sprecherbasierten Modus durch die Anfrage (13) erfolgen. Diese Anfrage sucht nach Fällen, in denen alle transkribierten Formen von oder ([norm = "oder"]) gefunden werden, die nicht in Überlappung (!within <speaker-overlap/>) stehen, denen eine Pause vorausgeht (precededby <pause.dur/>)³⁷, und denen ein Beitrag einer anderen Person folgt (followedby <another-speaker/>).

4.3 Zugriff auf Sprechgeschwindigkeit und Sprecherüberlappungen

Eine weitere neue Suchmöglichkeit in ZuRecht bietet sich durch den Zugang zu tokenübergreifenden Annotationen (engl. span annotations), auf die vorher über die DGD nicht zugegriffen werden konnte. Die in ZuRecht durchsuchbaren Korpora wie FOLK enthalten etwa Informationen über die Sprechgeschwindigkeit – genauer gesagt über die speech rate, die sich aus der Anzahl der Silben pro Dauer eines Sprecherbeitrags errechnet. So beschreibt Schegloff (2000) u.a. die Varianz von Sprechgeschwindigkeit als ein relevantes Phänomen im Fall von Sprecherwechseln zur Sicherung oder Beibehaltung des Rederechts, insbesondere bei Überlappungen mit anderen Sprechern. Ein Einbezug dieser Informationen ermöglicht Forschenden gezielt nach besonders schnellen (oder besonders langsamen) Beiträgen in Überlappungen zu suchen, vgl. dazu Beispiel (14). Der reguläre Ausdruck ([6–9]|[1–9][0–9])\.[0–9]+ in diesem Beispiel definiert, dass die Sprechgeschwindigkeit schneller als oder gleich 6.0 sein soll, und findet alle speechrate-Annotationen, die die Angaben zwischen 6.0 und 99.9 aufweisen, also Stellen, die ziemlich schnell gesprochen werden. within <speaker-overlap> schränkt die Suche ein, indem nur Beiträge innerhalb einer Überlappung gefunden werden.

Anschließend könnten die Treffer danach qualitativ ausgewertet werden, ob die potenziell kompetitiven Sprecherwechsel erfolgreich verlaufen oder nicht und ob die Sprechgeschwindigkeit dabei ein relevanter Faktor sein könnte. Auch zu diesem Zweck kann eine weitere Bearbeitung der gefundenen Belege durch das Herunterladen der KWIC-Belege, Aussortieren und Kodieren nach bestimmten Kriterien in Excel erfolgen sowie über eine detaillierte Sequenzanalyse des Transkriptausschnitts mit größerem Kontext mithilfe von ZuViel. ZuViel bietet zudem die Möglichkeit, die Sprechgeschwindigkeit zu visualisieren (vgl. Schmidt / Schwendemann / Wallner 2023 in dieser Themenausgabe).

Weiterhin lässt sich in ZuRecht durch die Funktion „Treffer gruppieren“ herausfinden, welche (normalisierten) Wortformen und Wortverbindungen besonders häufig entsprechend schnell artikuliert werden – im Falle der oben gezeigten Suchanfrage etwa Responsive wie hmhm, ja, okay oder genau (vgl. Abbildung 13).

Abbildung 13

Nach normalisierter Form gruppierte Treffer der Suchanfrage

5.1 Arbeit mit Wortschatzlisten

Ein häufiger Einwand von Lehrenden in Bezug auf die Nutzung von Korpusdaten für den Unterricht ist, dass die Suche nach geeigneten Daten viel Zeit kostet. Neben einer schnellen Filterung der einzelnen Interaktionen (im Folgenden auch Sprechereignisse genannt) nach ausgewählten Metadaten (bspw. Gesprächstyp, Region, Dauer), nach schwierigkeitsbezogenen Parametern (bspw. Sprechgeschwindigkeit, Niveaustufenzugehörigkeit des enthaltenen Wortschatzes) sowie nach einem hohen oder auch niedrigen Anteil an Mündlichkeitsphänomenen (wie dies bereits in ZuMal möglich ist, siehe Fandrych et al. 2023 in dieser Themenausgabe) ist es für Lehrende ebenfalls wichtig, dass die im Unterricht eingesetzten Sprachdaten möglichst auch thematisch zur Unterrichtseinheit passen. Das Auffinden von Sprechereignissen, die durch einen bestimmten für das Lektionsthema relevanten Wortschatz geprägt sind, erforderte bis jetzt allerdings langwierige Recherchen. Mit der in ZuRecht neu geschaffenen Anwendung „Suche mit Lemma- und Suchanfragen“ wird diese Recherche deutlich vereinfacht. Sie ermöglicht es, gezielt nach Sprechereignissen zu suchen, die einen hohen Anteil des gewünschten Wortschatzes aufweisen. Hierzu stehen einerseits drei fertig vorbereitete Wortschatzlisten zur Verfügung, welche die Lexik der Wortschatzbereiche „Essen“, „Haus und Wohnung“ und „Schule und Ausbildung“ umfassen und auf dem Übungswortschatz „Sage und Schreibe“ (vgl. Fandrych / Tallowitz 2019) basieren. Andererseits können aber auch eigene Listen genutzt werden, die den gewünschten Wortschatz enthalten. Diese Listen können von den Lehrenden selbst erstellt werden, wobei bspw. der Wortschatz eines beliebigen Themenfeldes oder auch einer bestimmten Lektion im Lehrwerk in die Liste aufgenommen werden kann. Für die Liste kann eine einfache Textdatei (.txt) genutzt werden. Es besteht zum einen die Möglichkeit, eine reine Lemmaliste zu erstellen, in der die Grundformen der gewünschten Wörter untereinander aufgeführt werden (vgl. Abbildung 14). Zum anderen ist es aber auch möglich, eine Liste von CQP-Suchanfragen zu erstellen. Auf diese Weise können in die Suche nach Sprechereignissen neben Wortschatz in der Grundform auch aussprachenahe Realisierungen von Wortschatzeinheiten (wie bspw. nee statt nein), Flexionsformen und Wortsequenzen einbezogen werden. Zudem ist es möglich, annotierte Informationen wie z.B. die Wortart, sprachliche Handlungen (bspw. Begrüßungen und Verabschiedungen) sowie Metadaten zu berücksichtigen.

Abbildung 14

Suche mit Lemma- und Suchanfragelisten in ZuRecht

Hierzu sei nun ein Beispiel dargestellt: Bereits im Anfängerunterricht werden naturgemäß Aufforderungen thematisiert – nicht zuletzt auch um die Unterrichtskommunikation zu gewährleisten (Öffnet doch bitte mal das Arbeitsbuch! Nutzt ruhig das Wörterbuch!). Um Aufforderungen höflicher zu gestalten, werden im Deutschen häufig Modalpartikeln genutzt (vgl. Fandrych / Thurmair 2021: 294). Um diese Praktik anhand mündlicher Kommunikation zu veranschaulichen, kann es für Lehrende nützlich sein, gezielt Sprechereignisse mit einem hohen Anteil an solchen Beispielen zu finden. Mit der Suchanfrage (15) werden Vorkommen von Verben im Imperativ gefunden, auf die im Abstand von maximal zwei Token eine Modalpartikel folgt. Wird diese Suchanfrage in einer txt-Datei abgespeichert, kann sie unter dem Reiter „Suche mit Lemma- und Suchanfragelisten“ hochgeladen und zur Ermittlung von Sprechereignissen genutzt werden, die möglichst viele solcher Sequenzen enthalten. Abbildung 14 veranschaulicht die Suche mit eigenen Wortschatzlisten am Beispiel einer Lemmaliste zum Thema „Reise“ und der hier erläuterten CQP-Suchanfrage.

Die Suche mit Hilfe der Listen ergibt eine Übersicht über Sprechereignisse, die den gesuchten Wortschatz bzw. die mit der Suchanfrage vorgegebenen Annotationen und Eigenschaften enthalten. Die Ergebnisse lassen sich dabei nach absoluter und relativer Anzahl der Treffer sowie nach der Anzahl der Types sortieren. Abbildung 15 zeigt einen Ausschnitt aus der Ergebnisansicht zur oben dargestellten Suchanfrage der Form „Verb im Imperativ + Modalpartikel“. Besonders viele Vorkommen dieser Art enthält ein „Mädelsabend“ (FOLK_E_00287_SE_01) mit insgesamt 63 Treffern, was einem Anteil von 0,61% aller Token dieses Sprechereignisses entspricht (Stand: September 2022). Ausgehend von der Ergebnisübersicht ist es auch möglich, über den Link „Lemma-Ansicht öffnen“ (rot umrandet in Abbildung 15) diejenigen Lemmata aus der Liste in einem gesonderten Tab aufzurufen, die im jeweiligen Sprechereignis vorkommen. Für das oben genannte Beispiel wären dies die im Imperativ geäußerten Verben in Kombination mit den danach geäußerten Modalpartikeln. Wahlweise ist hier auch die Anzeige der transkribierten oder auch der normalisierten Formen möglich (vgl. Abbildung 15, Fenster „Ergebnisse“, Auswahlelement „Gruppiert nach“). Lehrende können sich damit schnell einen Überblick über die angezeigten Sprechereignisse verschaffen und prüfen, welche davon für ihren Unterricht geeignet sind.

Abbildung 15

Ergebnisansicht nach der Suche von ‚Verb im Imperativ + Modalpartikel‘ über die Lemma- und Suchanfragelisten

Darüber hinaus besteht die Möglichkeit, ausgehend von der Ergebnisübersicht die Konkordanzen sowie die Transkripte im Transkriptbrowser ZuViel aufzurufen. Anhand der Transkripte lässt sich dann noch besser die Eignung des Sprechereignisses für den eigenen Unterricht beurteilen. Die Lemmata aus der Liste werden in ZuViel rot umrandet. Für die Nutzung im Unterricht können im Transkriptbrowser noch weitere Markierungen (darunter Wortarten und Niveaustufenzugehörigkeit der einzelnen Token) vorgenommen werden (vgl. Schmidt / Schwendemann / Wallner 2023 in dieser Themenausgabe).

Die Option „Suche mit Lemma- und Suchanfragelisten“ ist darüber hinaus auch aus Perspektive der Forschung im Bereich DaF/DaZ sowie für lexikologische und lexikographische Untersuchungen interessant, da sie umfassende Abgleiche von Lemma- und Suchanfragelisten mit den Transkripten ermöglicht. Auf diese Weise ist es etwa möglich zu prüfen, ob bzw. inwieweit ein bestimmter Wortschatz oder die jeweils ausgewählten Phänomene besonders häufig in bestimmten Interaktionsdomänen oder auch Gesprächsarten vorkommen. So kann bspw. untersucht werden, in welchen Domänen und Gesprächsarten die Verben der fachübergreifenden Lexik der Geisteswissenschaften (GeSiG-Inventar³⁸) im GeWiss-Korpus besonders häufig sind und um welche Verben es sich dabei im Einzelnen handelt.

5.2 Zugriff auf annotierte sprachliche Handlungen

Sprachliche Handlungen sind ein wichtiger Gegenstand der Sprachvermittlung. Sie ermöglichen es den Lernenden, ihre kommunikativen Absichten erfolgreich umzusetzen. Lehrmaterialien bieten zu zentralen sprachlichen Handlungen sogenannte Redemittelsammlungen. Diese basieren jedoch häufig nicht auf empirischen Untersuchungen zum tatsächlichen Sprachgebrauch, sondern beruhen vielmehr auf dem individuellen Sprachgefühl der Lehrmittelautor:innen. Die Auswahl und das bereitgestellte Repertoire sind entsprechend begrenzt. Korpora eröffnen die Möglichkeit, die typischen Realisierungen von sprachlichen Handlungen im realen Kontext zu identifizieren und durch sogenannte pragmatische Annotationen für Vermittlungszwecke zugänglich zu machen (vgl. hierzu auch Kaiser 2023 in dieser Themenausgabe). Die Annotation von sprachlichen Handlungen ist jedoch ein sehr zeitaufwendiger Prozess. Das erklärt, warum derartige Aufbereitungen in Korpora nur in begrenztem Umfang zur Verfügung stehen. Für mündliche Korpusdaten beschränkt sich das Angebot bislang auf die in FOLK annotierten Handlungssequenzen³⁹ (vgl. Kaiser / Schedl 2021 und Kaiser 2023 in dieser Themenausgabe) und die im GeWiss-Korpus vorgenommenen Annotationen von Diskurskommentierungen⁴⁰ (vgl. Fandrych 2014; Meißner 2017) sowie von Verweisen und Zitaten⁴¹ (vgl. Sadowski 2017). Ein weiteres Problem war bislang auch die Zugänglichkeit dieser Annotationen. So können – wie eingangs erwähnt – wegen technischer Einschränkungen weder die in FOLK annotierten Handlungssequenzen noch die für GeWiss vorliegenden Annotationen von Diskurskommentierungen und Verweisen und Zitaten über die DGD abgefragt werden⁴². Mit ZuRecht wurde nunmehr eine Möglichkeit geschaffen, pragmatische Annotationen mit Hilfe der CQP-Suchanfragesprache in den Korpusdaten abzurufen. Hierzu ein Beispiel: Um etwa im Kontext von studienvorbereitenden und -begleitenden Deutschkursen im GeWiss-Korpus nach Beispielen für mündlich realisierte Verweise und Zitate zu suchen, können Lehrende und Lernende die Suchanfrage (16) eingeben. Die Suche ergibt 273 Treffer (Stand: September 2022). Die Suchanfrage lässt sich aber auch noch spezifizieren. So ist es bspw. möglich, mit der Suchanfrage (17) die Suche nach wörtlichen Zitaten einzugrenzen. Zudem besteht die Möglichkeit, Metadaten bei der Suche zu berücksichtigen. So kann z.B. mit der Suchanfrage (18) die Suche auf studentische Vorträge eingegrenzt werden. Für internationale Studierende, die einen Vortrag in der Fremdsprache Deutsch vorbereiten, können die so gewonnenen Belege eine sinnvolle Orientierung für die Versprachlichung eigener Bezugnahmen auf Forschungsarbeiten in Vorträgen darstellen. Darüber hinaus ist es möglich, die Suche nach annotierten sprachlichen Handlungen auch mit der Suche nach bestimmten Wortartkategorien zu kombinieren. So lassen sich mit der Suchanfrage (19) alle Verweise und Zitate ermitteln, die einen Eigennamen enthalten. Verweise auf Studien oder Publikationen, bei denen keine Autorin bzw. kein Autor genannt werden, würden hier dann nicht in der Treffermenge erscheinen.

Eine wichtige Vorarbeit für die Vermittlung der Zitat- und Verweispraxis in der gesprochenen Wissenschaftssprache ist deren systematische Erforschung. Hierzu gehört etwa die Erfassung wiederkehrender sprachlicher Mittel innerhalb von mündlichen Zitaten und Verweisen. ZuRecht bietet die Möglichkeit, diese wiederkehrenden sprachlichen Mittel gezielt zu erfassen. Um bspw. zu ermitteln, welche Vollverben innerhalb von Verweisen und Zitaten üblicherweise vorkommen, eignet sich Suchanfrage (20).

Während in der Konkordanz der Gebrauch der Verben in den Verweisen und Zitaten veranschaulicht wird, führt der Button „Treffer gruppieren“ zu einer quantitativen Auswertung der Belege. Mittels der Sortierung nach der Kategorie „Lemma“ lässt sich schließlich anzeigen, welche Verben wie häufig in den Belegen vorkommen. Deutlich wird dabei, dass sagen, geben und schreiben am häufigsten innerhalb der im GeWiss-Korpus annotierten Verweise und Zitate vorkommen (vgl. Abbildung 16).

Abbildung 16

Beispiel für die Suche nach Vollverben innerhalb von Verweisen und Zitaten im GeWiss-Korpus