1  Allgemeines

1.1 Hinweise zur Korpusnutzung

SeiKo ist nach Anmeldung für die Nutzung zu Lehr- und Forschungszwecken verfügbar. Eine Übersicht zum Zugang findet sich in Kapitel 1.5.

Wenn Sie mit SeiKo arbeiten, bitten wir Sie, uns auf Publikationen aufmerksam zu machen, die wir dann sehr gerne auf der Korpuswebseite referenzieren.

1.2 Wie ist dieses Handbuch zu nutzen?

Das vorliegende Handbuch dient dazu, die Entstehung des Korpus nachzuvollziehen und die Korpusnutzung zu ermöglichen. Dafür ist es in zehn Teile gegliedert.

Kapitel 1 enthält eine allgemeine Übersicht über das Korpus, Angaben zum Korpusbau und zur Korpusnutzung sowie Hinweise zu diesem Handbuch. Kapitel 2 beschreibt das Korpusdesign und die Datenerhebung. Kapitel 3 stellt die Transkriptionskonventionen für die mündlichen und schriftlichen Daten mittels des genutzten Transkriptionstools (EXMARaLDA, Schmidt & Wörner, 2014) vor. In Tabelle 1.1 finden sich die unterschiedlichen Annotationsschritte, die in entsprechenden Kapiteln ausgeführt werden: Zunächst wird die manuelle Segmentierung auf Grundlage von Äußerungseinheiten beschrieben (Kapitel 4). Die automatisch durchgeführten und manuell korrigierten Schritte der Lemmatisierung und des POS-Taggings werden in Kapitel 5 dargestellt. Die manuelle Annotation der Nominalgruppen und der Verbstellung wird in Kapitel 6 bzw. Kapitel 7 beschrieben.¹ Anschließend enthält Kapitel 8 eine Übersicht zu Maßnahmen, die zur Qualitätssicherung ergriffen wurden, und berichtet Ergebnisse der errechneten Inter-Annotator-Agreements.

In Kapitel 1.3 und Kapitel 1.4 finden sich Angaben zum Korpusumfang und eine Übersicht der Arbeitsprozesse. In Kapitel 1.5 wird der Zugang zum Korpus beschrieben. Das Kapitel enthält auch eine Übersicht der Daten und Metadaten des Korpus.

Der Anhang umfasst das genutzte Stimulusmaterial (Kapitel 11.1). Im Anhang ist außerdem der genutzte Interviewleitfaden (Kapitel 11.2) sowie eine Übersicht der in diesem Handbuch genutzten Schriftkonventionen zu finden (Kapitel 11.3). Die Nutzungsbedingungen des Korpus finden sich in Kapitel 10.

Für Nutzer:innen, die eigene Annotationsebenen ergänzen wollen, stellen wir die .exb-files sowie die von uns genutzte Pipeline zur Verfügung (vgl. Kapitel 1.5).

Tabelle 1.1: Übersicht aller Annotationsebenen

Kapitel	Annotationsebene	Beschreibung	Beispielanfrage	Beispielergebnis auf ctok_part
Transkription	INT[v]	Ursprüngliche Transkriptionsspur der Interviewer:in	-	-
Transkription	INT[tok_int]	Tokenisierte Spur von INT[v]	-	-
Transkription	B02[v]	Ursprüngliche Transkriptionsspur der Teilnehmenden	-	-
Transkription	B02[tok_part]	Tokenisierte Spur der Teilnehmenden, hier z.B. von B02[v]	tok_part=‎"weil‎"	weil
Transkription	[com]	Kommentarspur für alternative Transkriptions- oder Annotationsmöglichkeiten und weitere Anmerkungen	-	-
Transkription	B02[lay]	Layout	-	-
Transkription	B02[excl]	Ausgeschlossenes Material (z.B. Korrekturen, Wiederholungen)	excl=‎"hes‎"	-
Segmentierung	B02[unit]	segmentierte Äußerungseinheiten	unit=‎"DEC‎"	und er hat ein punkt für sein team
Segmentierung	B02[unit2]	Einschübe in Form von Äußerungseinheiten, analog zu [unit]	unit2=‎"IRNON‎"	keine ahnung
Segmentierung	B02[subclause]	abhängige Nebensätze	subclause=‎"SCADV‎"	wenn das eine e mail oder ein brief ist
Segmentierung	B02[subclause2]	abhängige Nebensätze	subclause2=‎"SCREL‎"	wo der tee ist
Lemmatisierung & POS-Tagging	PART_CLEAN[ctok_part]	um [excl] und Pausenzeichen bereinigte Version von [tok_part]	ctok_part=”und”	und
Lemmatisierung & POS-Tagging	PART_CLEAN[lemma]	manuell korrigierte Version von [auto_lemma]	lemma=‎"spielen‎"	gespielt
Lemmatisierung & POS-Tagging	PART_CLEAN[pos]	manuell korrigierte Version von [auto_pos]	pos=‎"PDAT‎"	diese
Nominalgruppen	PART_CLEAN[ngr]	Nominalgruppen	ngr=‎"NGrADJ‎"	mein kleiner bruder
Nominalgruppen	PART_CLEAN[kern]	nominale Kerne	kern=‎"KERN‎"	zimmer
Nominalgruppen	PART_CLEAN[ngr2]	Nominalgruppen	ngr2=”NGrPREP”	dem jünge
Nominalgruppen	PART_CLEAN[kern2]	nominale Kerne	kern2=”DET”	dem
Verben	PART_CLEAN[unit_cons]	Satzkonstituenten von unit	unit_cons=”S”	er
Verben	PART_CLEAN[unit_stage]	Verbstellungsstufe von unit	unit_stage=”INV”	und dann kommt die mutter wahrscheinlich
Verben	PART_CLEAN[unit2_cons]	Satzkonstituenten von unit2	unit2_cons=‎"V‎"	warte
Verben	PART_CLEAN[unit2_stage]	Verbstellungsstufe von unit2	unit2_stage=”SV”	ich glaub
Verben	PART_CLEAN[subclause_cons]	Satzkonstituenten von subclause	subclause_cons=‎"O‎"	den spiel
Verben	PART_CLEAN[subclause_stage]	Verbstellungsstufe von subclause	subclause_stage=”VEND”	dass ee wir den spiel verloren haben
Verben	PART_CLEAN[subclause2_cons]	Satzkonstituenten von subclause2	subclause2_cons=‎"V‎"	sind
Verben	PART_CLEAN[subclause2_stage]	Verbstellungsstufe von subclause2	subclause2_stage=”!SEP NOVEND”	dass eh sie sind so laut gewesen

1.3 Korpusgröße

SeiKo umfasst insgesamt 824 Texte (SeiKo1 = 462; SeiKo2 = 362) von insgesamt 17 Lerner:innen (SeiKo1 = 8; SeiKo2 = 9). Die Größe der Teilkorpora und des Gesamtkorpus wird in Tabelle 1.2 dargestellt.

Tabelle 1.2: Übersicht der Tokenzahl je Annotationsebene der Teilkorpora SeiKo1 und SeiKo2

Ebene	SeiKo1	SeiKo2	gesamt
tok_part	68124	83719	151843
ctok_part	43016	45612	88628
unit (Satzgefüge)	9438	9259	18697
stage (verbhaltige Sätze)	7197	7447	14644
Nominalgruppen	6089	6796	12885

1.4 Übersicht des Workflows

Abbildung 1.1 stellt den Ablauf der einzelnen Arbeitsschritte bei der Erhebung und Aufbereitung der SeiKo-Daten dar.

Am Anfang des Prozesses stand die Planung des Korpusprojektes sowie die Erstellung eines Korpusdesigns. Nach dem Genehmigungsverfahren² konnte mit der Datenerhebung begonnen werden. Anschließend an jeden Datenerhebungstermin wurden die Audiodateien abgelegt und archiviert; die geschriebenen Texte wurden eingescannt und ebenfalls archiviert. Es folgte die Transkription der Daten. Die transkribierten Daten wurden von einer anderen Bearbeiter:in im nächsten Schritt korrigiert sowie segmentiert. Anschließend wurden die Daten automatisch lemmatisiert und mit part-of-speech(POS)-Tags annotiert; hierfür wurde der TreeTagger (vgl. Schmid, 1994, 1995) verwendet. Danach wechselte erneut die Bearbeiter:in, sodass im gleichen Schritt eine Kontrolle der manuellen Segmentierung sowie der automatischen Lemmatisierung und des POS-Taggings vorgenommen werden konnte. Zudem wurden in diesem Schritt manuell Nominalgruppen und Verbkonstituenten und -stufen annotiert. Ein Teil der Daten wurde von zwei Bearbeiter:innen annotiert, sodass darauf ein Inter-Annotator-Agreement durchgeführt werden konnte; generell wurden Zweifelsfälle vor allem in anfänglichen Phasen der Segmentierung und Annotation gemeinsam diskutiert und aufgelöst. Über eine Annatto-Pipeline wird aus den einzelnen .exb-Daten und den Metadaten ein Annis-Korpus gebaut, das über eine lokale ANNIS-Schnittstelle (Krause & Zeldes, 2016)³ oder Annimate⁴ durchsucht werden kann.⁵

Abbildung 1.1: Ablauf der Arbeitsprozesse an SeiKo

1.5 Veröffentlichungsorte und Nutzungbedingungen

SeiKo ist unter bestimmten Nutzungsbedingungen (Kapitel 10) nutzbar. Der Zugang kann über ZENODO beantragt werden.⁶

Link zum Korpus: https://doi.org/10.5281/zenodo.21476830

Daneben ist eine Veröffentlichung in der DAKODA-Infrastruktur geplant.⁷

Die Datenverarbeitungspipeline ist hier veröffentlicht: https://github.com/seiko-korpus/seiko-pipeline/

Für eine Nutzung der Audiodaten beachten Sie bitte die Angaben in den Nutzungsbedingungen.

Bley-Vroman, Robert. (1983). The comparative fallacy in interlanguage studies: The case of systematicity. Language Learning, 33(1), 1–17. https://doi.org/10.1111/j.1467-1770.1983.tb00983.x

Gilquin, Gaëtanelle. (2022). One norm to rule them all? Corpus-derived norms in learner corpus research and foreign language teaching. Language Teaching, 55(1), 87–99. https://doi.org/10.1017/S0261444821000094

Krause, Thomas, & Zeldes, Amir. (2016). ANNIS3: A new architecture for generic corpus query and visualization. Digital Scholarship in the Humanities, 31(1), 118–139. https://doi.org/10.1093/llc/fqu057

Schmid, Helmut. (1994). Probabilistic Part-of-Speech Tagging Using Decision Trees. Proceedings of International Conference on New Methods in Language Processing.

Schmid, Helmut. (1995). Improvements in Part-of-Speech Tagging with an Application to German. Proceedings of the ACL SIGDAT-Workshop. Dublin, Ireland.

Schmidt, Thomas, & Wörner, Kai. (2014). EXMARaLDA. In Handbook on Corpus Phonology (S. 402–419). Oxford University Press.

Schwendemann, Matthias, Portmann, Annette, Schlauch, Julia, Gamper, Jana, & Wisniewski, Katrin. (2024). Forschungsdaten für alle. Rechtliche Möglichkeiten und Herausforderungen bei der Veröffentlichung von Lernerkorpora. 4(2), 149–176. https://doi.org/10.48694/kordaf.4138

---

1. Um der Überzeugung gerecht zu werden „that the learner’s system is worthy of study in its own right, not just as a degenerate form of the target system“ (Bley-Vroman, 1983: 4) und Lerner:innensprache nicht an einer „native norm“ (Gilquin, 2022: 87) zu messen, wurde im Korpus bewusst auf die Formulierung von Zielhypothesen verzichtet. Zugleich bleibt jede Annotation durch die ihr vorausgehenden Deutungen der sprachlichen Elemente auch interpretativ. Um auch ohne Zielhypothesen eine möglichst hohe Transparenz zu gewährleisten, sind alle Schritte der Annotation – von der Segmentierung über POS- und Lemma-Annotationen bis hin zur auf diesen Annotationen basierenden Bestimmung von Verbstellung und Nominalgruppen – im Korpus einsehbar und in diesem Handbuch umfassend beschrieben und damit in ihrer Entstehung nachvollziehbar gemacht.

2. Für Hinweise zu Forschungsvorhaben an Schulen und den Voraussetzungen für nachnutzbare Forschungsdaten vgl. z.B. Schwendemann et al. (2024).

3. https://corpus-tools.org/annis/

4. https://github.com/matthias-stemmler/annimate

5. Die Pipeline zur automatischen Datenaufbereitung und zum Korpusbau ist unter https://github.com/seiko-korpus/seiko-pipeline/ verfügbar.

6. Vgl. hierzu: https://help.zenodo.org/docs/share/access-requests/request-access/.

7. https://dakoda.org/index.de.html.