(966kB).pdf

Der Beitrag befasst sich mit einem mehrstufigen Ansatz zur Analyse großer Textcorpora, insbesondere mit der Untersuchung sekundärer linguistischer Filter für die Optimierung statistischer Analyseverfahren. Durch die Analyse von Textdatenbeständen konnten umfangreiche monolinguale Corpora aufgebaut werden, darunter ein Corpus des Deutschen mit etwa 300 Mio. laufenden Wortformen. Die statistische Ermittlung signifikanter Relationen erfolgt durch den G-Test, der Kollokationen als signifikantes Vorkommen zweier Muster in einem gemeinsamen Kontext versteht. Die Kollokationsanalyse wird automatisch und vollständig durchgeführt und alle Kollokationsmengen stehen über eine Abfrageschnittstelle zur Verfügung. Es werden jedoch Probleme qualitativer und quantitativer Natur identifiziert, wie die steigende Anzahl signifikanter Kollokationen mit der absoluten Häufigkeit des Begriffs und die Unfähigkeit des statistischen Maßes, den Typ der Beziehung zwischen zwei Begriffen auszusagen. Um diese Probleme zu lösen, wird ein Ansatz der sekundären Filterung vorgeschlagen, der auf linguistischen und statistischen Filtern sowie einer differenzierenden Corpusanalyse basiert. Es werden verschiedene Filterungsverfahren unterschieden, wie Kategorienfilter, Filterung durch named entities, Kollokationsfilter und vergleichende Analyse von Begriffen.