Forschungskolloquium des Fachbereichs … · 3 Definition der Binnenklammerung Binnenklammerung...

Binnenklammerung im deWaC

Forschungskolloquium des Fachbereichs Korpuslinguistik

Humboldt-Universität zu BerlinMi, 01.07.2015 | 18 – 20 Uhr | DOR 24, 3.308

Burkhard Dietterle

2

Überblick

1.Definition der Binnenklammerung

2.Forschungsziel

3.Korpustechnische Möglichkeiten und Probleme am Beispiel von deWaC

4.Auszählungen in deWaC

5.Zusammenfassung und Ausblick

6.Bibliographie

3

Definition der Binnenklammerung

● Binnenklammerung (BK):

graphische Einklammerung von Elementen innerhalb von Verschriftlichungen morphologischer Einheiten

● Beispiel:Auch wenn dieses beschwingte Hochzeitsdrama etwas zu sehr ( gut)menschelt und manche Figuren zu stark nach ausgebeulten Schemata funktionieren , so rückt es doch einen politischen Konflikt in den Vordergrund , der noch immer nach einer Lösung schreit. [ DiLü ] Die syrische Braut , 97 Min. , R :

(deWaC, Teil 5, Tokens 134893502-134893551)

4

Definition der Binnenklammerung

● Warum

„innerhalb … von morphologischen Einheiten“

statt

„innerhalb … von graphematischen Wörtern“?

● im Grunde beides möglich, z. B. als– ‘BK im engeren Sinne’ (morphologisch) vs.

‘BK im weiteren Sinne’ (graphematisch)

5

BK im engeren Sinne

Auch wenn dieses beschwingte Hochzeitsdrama etwas zu sehr ( gut)menschelt und manche Figuren zu stark nach ausgebeulten Schemata funktionieren , so rückt es doch einen politischen Konflikt in den Vordergrund , der noch immer nach einer Lösung schreit. [ DiLü ] Die syrische Braut , 97 Min. , R :


Dr. Klaus Kinkel überreicht Auszeichnungen für behinderten(un)gerechte Konsumgüter auf der REHACare


Dein erstes Bild Der Mohn(d ) geht auf .. .


6

BK im weiteren Sinne

● EinzelmorphemeKleingeschrieben werden adjektivische Ableitungen von Eigennamen auf -(i)sch , außer wenn […]


● SpielergebnisseWährend A-Junioren-Coach Jörg Sievers sich gestern über einen 2:1(1:0 ) -Heimsieg gegen Rot-Weiß Erfurt freuen konnte ( Tore : Hahne und Rosenthal ) , musste sich die U23 von Jörg Goslar heute im Eilenriedestadion mit einem 1:1 ( 0:0 ) gegen Concordia Hamburg zufriedengeben .


7


● physikalische EinheitenDies entspricht einem Wert für den Außenbereich von 47 dB(A).“


● mathematische Funktionenalso die Funktion lautet : f(x)=-0,5x²+3x-2,5


8


● AktenzeichenDokumentenbezeichnung : KOM(2008)196


● Gliederungspunktein Übereinstimmung mit Absatz 401(a)(1)(B ) der internationalen Erklärung der Religionsfreiheit von 1998


9


● E-Mail-Adressenmail(at)amateurastronomie.com

(deWaC, Teil 2, Token 6736210)

● Telefonnummern+49(0)7071.989631

(deWaC, Teil 2, Token 16169117)

10Friedrich Schmitthenner (1824:76): Die Lehre von der Satzzeichnung oder Interpunction in der teutschen Sprache, nebst einer kurzen, vorbereitenden Darstellung der Satzlehre.Frankfurt am Main: Verlag der Hermannschen Buchhandlung.

Ältester Beleg

11

Forschungsziel

● deskriptives Gesamtbild des schriftsprachlichen Phänomens ‘Binnenklammerung’

● Abgrenzung zu anderen Zeichensetzungen– ‘Parenthese-Klammern’ (Satzzeichen)– Durchkoppelungsbindestrich, BinnenGroßschreibung– Schrägstrich– Komposita Getrenntschreibung

● Nachweis der Intuition, dass BK sich immer mehr ausbreitet

12

BK als ‘expandierende’ Schreibweise

● im Sinne von:– in immer mehr Varietäten– zunehmende Typen-Frequenz– zunehmende Token-Frequenz

● Aufwändigster Teil des Vorhabens– welche Korpora wählen?– welche Typen-Zählung?

13

Korpustechnische Möglichkeiten und Probleme

am Beispiel vondeWaC (Baroni et al. 2008)

14

Recall, Präzision und Frequenz

● Recall: 84183 BK-Wörter in 1,6 Milliarden Token

(bei Zählung von rein alphabetischen, als ein oder zwei Tokens tokenisierten BK-Wörtern mit runden Klammern und ohne sonstige Interpunktion)

davon mindestens 24000 Treffer False Positives

(nur halbautomatisch aussortierbar)

→ < 4 BK-Wörter pro 100000 Tokens

● Recall und Präzision bei Zählung komplexerer BK-Wörter noch ungünstiger

15

False Positives● identische Sätze 9689 Duplikate in 84183 Sätzen (=12% des Recalls)

● automatisch vervielfältigte BK-Wörter:ZAHL + Kommentar(e ) 588 Vorkommen im deWaC

( vor)bestellen bei Amazon 132 Vorkommen im deWaC

● mat. Funktionen f(x) u.ä. 2031 Vorkommen im deWaC

● Abkürzungen AD(H)S 163 Vorkommen im deWaC

● Chunks Sehr geehrte(r ) 100 Vorkommen im deWaC

● Eigennamen Re(i)mbrandt 334 Vorkommen im deWaC

● und weitere …

16

Probleme der Tokenisierung

● Tokenisierung bricht BK-Wörter auf und verhindert Widerherstellung ursprünglicher Getrennt- und Zusammenschreibung, vgl.( Et)was fehlt .


Leider auch andere Pseudo- Entertainer(innen ) , wie Kuttner , RAAB ! ! ! ! ! , den ich persönlich sehr hasse , oder Pocher .


17


● Alle Motive zusammen spiegeln die Nutzen‑(Präferenz- ) ‑Funktion des Entscheidungsträgers wider .


18


● False PositivesAls (B)C-Klammerung gefundene syntaktische Parenthese:

die " Dame " wird niemals tramp ( landstreicher)sein können , die " lady " schon eher :- )


als Substantiv Neutrum wäre tramp ( Landstreicher)sein aber eine gültige BK

19


● Zuordnung eines True Positives zum richtigen BK-Muster erschwertAls A(B)C-Klammerung gefundene (B)C-Klammerung:

Faustregel : Ein Ansatz als außergewöhnliche Belastung ist nur dann vorteilhaft , wenn die Unterhaltsleistung verhältnismäßig niedrig ist und der(Ex-)Ehegatte nur über ein geringes eigenes Einkommen verfügt .


20


● Tokenizer nicht auf BK-Wörter trainiert

(BK wird aber auch in der Graphematik/Interpunktion nicht ausreichend thematisiert.)

● ähnliche Probleme in jedem anderen tokenisierten Korpus außer deWac zu erwarten

● andererseits sehr große Korpora nötig, um überhaupt irgendwelche BK-Wörter zu finden

● Gibt es sehr große untokenisierte Korpora?

21

Probleme des Taggings

● korpuseigenes Tagging unter den selben Vorbehalten zu gebrauchen wie korpuseigene TokenisierungGrds. bin ich allerdings der Meinung , dass jede(r ) das Radfahren beherrschen sollte .


● jede(r) in jeder Hinsicht ein PIS

● B-Klammern selbst keine Tokens

tok jede(r )

pos NE $(

lemma jede(r )

22

Probleme des Taggings

● Was tun mit bikaterogialen BK-Wörtern?Eine Frage noch : Kann man(n ) Intelligenz vortäuschen ?


● man(n) zum einen PIS bzw. man, zum anderen NN bzw. Mann

● B-Klammern selbst keine Tokens

tok man(n )

pos NE $(

lemma man(n )

23

Eigener Tagging-Ansatz

● Ermittlung von Trägerwort und Gesamtwort für jedes BK-Wort– ‘Trägerwort’ = BK-Wort exklusive Klammern

und exklusive Eingeklammertesman(n) → man

– ‘Gesamtwort’ = BK-Wort exklusive Klammern, aber inklusive Eingeklammertesman(n) → mann

24

Eigener Tagging-Ansatz

● zweimaliges Tagging jedes einzelnen Treffer-Satzes mit TreeTagger (Schmid 1994)– nach Substitution des BK-Worts durch das

TrägerwortKann man Intelligenz vortäuschen? → PIS

– nach Substitution des BK-Worts durch das GesamtwortKann mann Intelligenz vortäuschen? → NN

25

Auszählungen in deWaC

35

Belege für niederfrequenteBK-Elemente

Das Wissen darum , dass eine ungesunde Lebensweise viele Krankheiten ( mit)verursacht oder verschlimmert sollte unser Verhalten beeinflussen bevor wir krank werden .


Jedes Kind ist l(i)ebenswert !


Dein Herumhantieren mit konditionierten Vorstellungen , einer konditionierten dinglichen Welt , führt nicht aus dem Traum(a ) heraus , sondern einzig und allein tiefer hinein .


Seitdem Raumschiff Enterprise nicht mehr gesendet wird ist Fernsehen auch nicht mehr das was es wa(h)r .


36

Zusammenfassung

● BK ist selten, aber nicht irrelevant für Schreibung, Wortbildung und Wortschöpfung (Kontaminationen, in denen viele BK vorkommen, werden mitunter zur Wortschöpfung gezählt, s. Friedrich 2008)– Am meisten binnengeklammert wird in Substantiven;

weniger in Adjektiven und Verben (Dieser Befund ist in der bisherigen Literatur nur eine stillschweigende Annahme! vgl. Dietterle 2015d)

– Es wird auch in anderen Wortarten und sogar bikategorial binnengeklammert

● gegenwärtige Korpustools nicht auf BK trainiert

37

Ausblick

● noch zu untersuchen:– BK mit Binnen-Interpunktion– BK mit phrasalem BK-Element

Das ist schon deswegen völlig abwegig , weil da stetslinks- ( und rechts- ) hemisphärische Verarbeitungsareale und - über das gesamte Gehirn verteilte - Speicherungs-Netzwerke zusammenarbeiten , ohne dass die genauen " Lokalisierungen " der Speicherungen erkennbar sind .


38

Bibliographie

Baroni, Marco; Bernardini, Silvia; Ferraresi, Adriano; Zanchetta, Eros (2008): The WaCKy Wide Web: A Collection of Very Large Linguistically Processed Web-Crawled Corpora. Kluwer Academic Publishers.

deWaC-Korpus (2008): erstellt von Marco Baroni u. a.; bereitgestellt von Humboldt-Universität zu Berlin.

Dietterle, Burkhard (2015d): Binnenklammerung. Eine Bibliographie. Hausarbeit: Humboldt-Universität zu Berlin.

Friedrich, Cornelia (2008): Kontamination – Zur Form und Funktion eines Wortbildungstyps im Deutschen. Dissertation. Friedrich-Alexander-Universität Erlangen-Nürnberg.

Schmid, Helmut (1994): Probabilistic Part-of-Speech Tagging Using Decision Trees. In: Proceedings of the Conference on New Methods in Language Processing. Manchester. S. 44-49.

Friedrich Schmitthenner (1824:76): Die Lehre von der Satzzeichnung oder Interpunction in der teutschen Sprache, nebst einer kurzen, vorbereitenden Darstellung der Satzlehre. Frankfurt am Main: Verlag der Hermannschen Buchhandlung.

Forschungskolloquium des Fachbereichs … · 3 Definition der Binnenklammerung Binnenklammerung...

Documents

Transcript of Forschungskolloquium des Fachbereichs … · 3 Definition der Binnenklammerung Binnenklammerung...