1. Über das Projekt
Das Lernerkorpus VieLko entstand im Rahmen des DAAD-geförderten bilateralen Germanistischen Partnerschaftsprogramms (GIP) zwischen zwei Hochschulen in Vietnam – nämlich der ULIS1 und der HANU2 – und der Universität Leipzig sowie der Justus-Liebig-Universität Gießen. Bei VieLko handelt es sich um die parallele Entwicklung von zwei Teilkorpora – nämlich dem ULIS-Teilkorpus und dem HANU-Teilkorpus, die dieselbe Infrastruktur teilen, aber einzelne Unterschiede bezüglich des Umfangs der Primärdaten sowie des Anteils der annotierten Daten aufweisen. Beide Teilkorpora verfügen über ein sogenanntes ‚Kernkorpus‘, das ausschließlich aus schriftlichen Daten besteht und u. a. auf der Ebene der ersten Zielhypothese annotiert wird (s. Abbildung 1).
Eine Übersicht des Datenbestands beider Teilkorpora befindet sich im Folgenden:
Übersicht über die Daten in beiden Teilkorpora von VieLko
2. Datenbestand
2.1 Metadaten
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:
Allgemeine Daten zum Bildungshintergrund: Jahrgang, Studienrichtung, Institution, Art des Abschlusses, Studierendenmotivation
Allgemeine Daten zur Sprachbiographie: Muttersprache (L1) und Fremdsprachen (der Reihenfolge des Erwerbs nach jeweils gekennzeichnet als L2.1, L2.2, L2.3)
Spezifische Daten zum Fremdsprachenerwerb: Beginn des Spracherwerbs (an der Schule bzw. an der Universität), durchschnittliche Stundenzahl des Sprachunterrichts auf jeder Bildungsebene (an der Schule bzw. an der Universität), Stundenzahl des Sprachunterrichts bei Muttersprachler*innen (falls vorhanden);
Spezifische Daten zum DaF-Erwerb: Ort und Dauer von Aufenthalten im deutschsprachigen Raum (falls vorhanden).
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.
Beispiel für die Kodierung von Lerner-Metadaten in EXMARaLDA (Dulko)
2.2 Primärdaten
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:
Die vier ersten Annotationsspuren erfolgten automatisch anhand von Dulko-Transformationen. Das sind: Tokenisierung, Lemmatisierung, Satzspanne und POS-Tagging (parts of speech tagging). Diese Annotationsebenen (insbesondere die POS-Annotation) wurden nachgeprüft, um Fehler des automatischen Taggers vor dem nächsten Schritt der Annotation zu beheben.
Die Annotation der ersten Zielhypothese (ZH1) – in Anlehnung an das Konzept der minimalen Zielhypothese (vgl. Lüdeling et al. 2008: 70; Reznicek 2012: 38–39) – wurde manuell anhand von mehreren Annotationsspuren in EXMARaLDA (Dulko) durchgeführt. Als Triangulationsmaßnahme wurde jeder originale Text von zumindest drei Personen behandelt: Die ZH1-Annotation wurde zuerst von zwei vietnamesischen Mitwirkenden gemeinsam mit einem/einer muttersprachlichen Interrater*in erstellt, und schließlich mit dem ganzen Team besprochen, bevor die Endversion in EXMARaLDA (Dulko) eingetragen werden durfte. Dann wurde zusätzlich dazu die ZH-Diff-Spur hinzugefügt, die die Änderungen der ersten Zielhypothese im Vergleich zum Originaltext zeigt (s. Abbildung 3).
Beispielannotation für die Daten im Kernkorpus
3. Korpusnutzung und Weiterentwicklung
Die bisherigen Entwicklungsphasen von VieLko wurden als Vorbereitung angedacht, daher ließ sich der Fokus des Korpusaufbaus auf die Einrichtung grundlegender Infrastruktur sowie auf die Pilotierung des Annotationsschemas legen. Weil die bereits annotierten Daten nur einen kleinen Anteil der gesamten Primärdaten ausmachen, und zumal das Annotationsschema selbst noch weiterer Überprüfung bzw. Verfeinerung bedarf, schien es für beide Projektteams nicht das vornehmliche Ziel zu sein, das Korpus in seinem aktuellen Zustand online bereitzustellen. Stattdessen wurde eine lokale Kopie mithilfe des EXMARaLDA-Begleitprogramms COMA erstellt, die auf Anfrage an Interessierte als Ganzes oder je nach individuellen Bedürfnissen distribuiert werden kann.
Um diese Kopie des Korpus zu durchsuchen, könnten Nutzer*innen wieder ein Programm des EXMARaLDA-Toolsets verwenden (s. Abbildung 4): Bei der Suche nach allen Infinitivkonstruktionen anhand einer RegEx-Anfrage auf der POS-Ebene ergeben sich z. B. 140 Treffer, unter denen nur eine kleine Minderheit Kollokationen mit Präfixverben umfasst. Trotz begrenzter Suchmöglichkeit bietet EXAKT grundlegende Funktionalitäten eines Korpusrecherchetools und wird daher für Nutzer*innen mit geringen Erfahrungen in der Korpuslinguistik empfohlen (Die lokale VieLko-Kopie wird zusammen mit Anleitungen für dieses Tool verteilt).
Korpussuche in EXAKT (EXMARaLDA) nach Infinitivkonstruktionen im gesamten Kernkorpus
Für komplexere Suchverfahren müssten die Korpusdaten manuell exportiert und anhand von weiteren Softwares verarbeitet werden. Empfehlenswert sind u. a. der Texteditor Notepad++ (wegen dessen vollständiger Unterstützung von RegEx-Suchen), oder das Korpusrecherchetool AntConc, das neben der Erstellung von Konkordanzen und RegEx-Kompatibilität weitere analytische Funktionen wie Konkordanzenplot, n-gram-Suche oder Wortliste ermöglicht. In Abbildung 5 lassen sich zwei Beispiele für solche Suchanfragen finden. Beide Suchanfragen beziehen sich auf die ZH1-Diff-Spur (vgl. Abbildung 3): Im Beispiel 5a wird nach allen Artikeln gesucht, die bei der Erstellung der Zielhypothese weggelassen wurden. Im Beispiel 5b wird anhand von einem Konkordanzenplot die Frequenz von syntaktischen Änderungen in der Zielhypothese gezeigt.
Komplexe Suche der Längsschnittdaten anhand von Notepad++ (5a, links) und AntConc (5b, rechts)
Für die nächste Phase des Projekts (2023–2024) ist geplant, den Umfang des Kernkorpus zu erweitern und dessen annotierte Daten, samt Metadaten frei zugänglich auf einer Online-Plattform zu veröffentlichen, um die Nutzerfreundlichkeit beim Umgang mit dem Korpus zu erhöhen. Erwünscht sind u. a. auch der Einsatz eines Versionisierungssystems und die Erhebung neuer Primärdaten.
Notes
- University of Languages and International Studies – Vietnam National University, Hanoi, Vietnam. [^]
- Hanoi University, Hanoi, Vietnam. [^]
- Dass sich diese Daten als A1-Texte, A2-Texte usw. bezeichnen lassen, bezieht sich direkt auf die Benennungen der Sprachprüfungen, bei denen die Texte erhoben wurden, und dient auf keinen Fall als Beweis, dass die Proband*innen zur Zeit der Erhebung die entsprechenden Niveaus erreicht haben. [^]
Literatur und Ressourcen
Boyd, Adriane et al. (2014): The MERLIN corpus: Learner Language and the CEFR. In: Proceedings of the Ninth International Conference on Language Resources and Evaluation (LREC’14), European Language Resources Association (ELRA). Reykjavik: European Language Resources Association (ELRA), 1281–1288.
Hirschmann, Hagen / Nolda, Andreas (2019): Dulko – auf dem Weg zu einem deutsch-ungarischen Lernerkorpus. In: Eichinger, Ludwig / Plewnia, Albrecht (Hrsg.): Neues vom heutigen Deutsch: Empirisch – methodisch – theoretisch. Institut für Deutsche Sprache: Jahrbuch 2018. Berlin u.a.: de Gruyter, 339–342.
Hirschmann, Hagen / Lüdeling, Anke / Shadrova, Anna / Bobeck, Dominique / Klotz, Martin / Akbari, Roodabeh / Schneider, Sarah / Wan, Shujun (2022): FALKO. Eine Familie vielseitig annotierter Lernerkorpora des Deutschen als Fremdsprache. In: Korpora Deutsch als Fremdsprache 2: 2, 139–148. http://doi.org/10.48694/kordaf.3552.
Lüdeling, Anke / Doolittle, Seanna / Hirschmann, Hagen / Schmidt, Karin / Walter, Maik (2008): Das Lernerkorpus Falko. In: Deutsch als Fremdsprache 2 (2008), 67–73.
Reznicek, Marc / Lüdeling, Anke / Krummes, Cedric / Schwantuschke, Franziska / Walter, Maik / Schmidt, Karin / Hirschmann, Hagen / Andreas, Torsten (2012): Das Falko-Handbuch. Korpusaufbau und Annotationen. Version 2.01. HU Berlin. https://www.linguistik.hu-berlin.de/de/institut/professuren/korpuslinguistik/forschung/falko/FalkoHandbuchV2/ (16.07.2023).
Biographische Notiz:
Ho, Thi Bao Van ist seit 2017 im ULIS-Korpusteam als Projektassistentin tätig. Seit 2020 promoviert sie am Herder-Institut der Universität Leipzig zum Thema „Kohäsion und Kohärenz in Abschlussarbeiten vietnamesischer Studierenden“, wo sie auch mit Daten aus VieLko arbeitet.
Kontaktanschrift:
Thi Bao Van Ho
Universität Leipzig
Arno-Nitzsche-Str. 40
542, 04277 Leipzig
Deutschland