Partner-Parade #01: CLARIND-UdS. Datenzentrum an der Universität des Saarlandes

Autor:innen: Stefan Fischer, Jörg Knappen, Marie-Pauline Krielke, Elke Teich

Die Universität des Saarlandes (UdS) gehört zu den Institutionen, die sich aktiv am Konsortium Text+ in der Datendomäne Collections beteiligen. Zudem ist an der Fachrichtung Sprachwissenschaft und Sprachtechnologie eines der Datenzentren von Text+, CLARIND-UdS, beheimatet. Dieses Datenzentrum stellen wir in diesem Beitrag näher vor. Zunächst bieten wir einen Überblick über die Schwerpunkte des Datenzentrums sowie einige technische Details. Anschließend werden Möglichkeiten, das Repositorium zu durchsuchen, erläutert. Es folgt eine kurze Vorstellung einiger in CLARIND-UdS archivierten Ressourcen. Zuletzt wird die Aufnahme neuer Ressourcen (Ingest) anhand eines Beispiels veranschaulicht.

Überblick

CLARIND-UdS ist das Repositorium für Sprachressourcen an der UdS. Es ist spezialisiert auf Korpora geschriebener Sprache und wurde 2013 im Rahmen von CLARIN-D gegründet. Der Schwerpunkt des Zentrums liegt auf fremdsprachlichen und multilingualen Korpora, zum Beispiel Übersetzungs- und Dolmetschkorpora. Einen weiteren Schwerpunkt bilden registerspezifische Korpora, welche verschiedene Aspekte sprachlicher Variation sowohl bezüglich Disziplinen und Gattungen (Wissenschaft, Belletristik) als auch bezüglich der Modalität (gesprochen, geschrieben) abbilden. In kleinerem Umfang werden auch generierte Daten, zum Beispiel Sprachmodelle, archiviert.

Das Repositorium ging bei seiner Gründung als CLARIN B Centre mit dem Data Seal of Approval in Betrieb und nutzt Fedora Commons zur Verwaltung der archivierten Ressourcen. Zuletzt wurde das Datenzentrum 2023 mit dem CoreTrustSeal rezertifiziert, wodurch sichergestellt ist, dass die Organisation des Repositoriums und die Archivierung der Daten nach etablierten Grundsätzen erfolgt. Zudem ist CLARIND-UdS in relevanten nationalen und internationalen Verzeichnissen von Forschungsdatenrepositorien aufgelistet. Hierzu gehören der Eintrag in RIsources bei der Deutschen Forschungsgemeinschaft und der Eintrag in re3data, der wichtigsten internationalen Registratur für Repositorien.

Suche in CLARIND-UdS

Die archivierten Ressourcen sind über das Virtual Language Observatory auffindbar. Weiterhin kann der Inhalt ausgewählter Korpora über die Federated Content Search (FCS) durchsucht werden. Die FCS greift im Hintergrund auf einen CQPweb-Server zurück, dessen Weboberfläche auch unabhängig von der FCS für detaillierte Korpusabfragen und statistische Auswertungen genutzt werden kann.

Die folgenden Abfragen geben einen Einblick in die Möglichkeiten von CQPweb und wurden jeweils auf dem Corpus of Late Modern English Texts (CLMET) ausgeführt, welches zu den in CLARIND-UdS archivierten Ressourcen gehört. Abbildung 2 zeigt das Ergebnis einer CQPweb-Suchanfrage in der KWIC-Ansicht (keyword in context). Mit der Abfrage [pos=”J.*”] [word=”winter”] [word=”nights?”] wird nach möglichen Adjektiven vor der Wortfolge „winter night(s)“ gesucht.

Neben der KWIC-Ansicht erlaubt CQPweb auch eine statistische Auswertung der Suchergebnisse (Abbildung 3). Aus dieser geht hervor, dass Winternächte im CLMET am häufigsten als „long winter nights“ beschrieben werden.

Ausgewählte Ressourcen

Die in CLARIND-UdS archivierten Ressourcen kamen über unterschiedliche Wege in das Repositorium. Zum einen wurden interne Ressourcen aus dem Umfeld des SFB 1102 aufbereitet und archiviert.

• DeScript: Describing Script Structure
  Sammlung mit Beschreibungen alltäglicher Handlungen, zum Beispiel Backen eines Kuchens, als Abfolge von Ereignissen (sogenannte scripts).
• EPIC-UdS: European Parliament Interpreting Corpus
  Paralleles Korpus mit deutschen, englischen und spanischen Reden aus dem Europäischen Parlament.
• GECCO: German English Contrasts in Cohesion
  Korpus für den kontrastiven Vergleich von deutschen und englischen Kohäsionsmitteln in Texten aus unterschiedlichen Registern.
• RSC: Royal Society Corpus
  Historisches, englisches Korpus (1665–1920) mit wissenschaftlichen Artikeln aus den Philosophical Transactions der Royal Society of London.
• SaCoCo: Saarbrücken Cookbook Corpus
  Diachrones, deutsches Korpus mit historischen (1569–1800) und zeitgenössischen Kochrezepten.
• VARTRA: VARiation in TRAnslation
  Korpus für die kontrastive Analyse von menschlicher und maschineller Übersetzung.

Zum anderen wurden Ressourcen über Kurationsprojekte im Rahmen von CLARIN-D aufgenommen.

• OBC 2.0: Old Bailey Corpus 2.0
  Historisches Korpus (1720–1913) mit Verhandlungsprotokollen des zentralen Strafgerichtshofs in London.
• PolDiLemma: Middle Polish Diachrone Lemmatised Corpus
  Diachrones Korpus mit mittelpolnischen Texten (16. bis 18. Jahrhundert) zu Politik, Religion, Wissenschaft und Geschichte.

Externe Ressourcen wurden typischerweise auf Anfrage von Forschenden archiviert. Die folgenden Beispiele unterstreichen den mehrsprachigen Charakter des Repositoriums.

• CLARE: Corpus Latinum Referens
  Korpus mit lateinischen Texten aus unterschiedlichen Genres und Zeitstufen.
• CLMET: Corpus of Late Modern English Texts
  Historisches Korpus (1710–1920) mit Texten britischer und irischer Autoren.
• Das Image Deutschlands in der griechischen Presse im Zeitraum 2001–2013
  Korpus mit griechischen Zeitungsartikeln über Deutschland aus der Zeit der Finanzkrise.
• Manas-UdS Kyrgyz Corpus
  Kirgisisches Korpus bestehend aus literarischen Texten, Sprichwörtern und Zeitungsartikeln.

Aufnahme neuer Ressourcen

Generell erfolgt die Aufnahme neuer Ressourcen im engen Austausch mit den Datengebenden. Zudem bietet eine Checkliste auf der Webseite des Datenzentrums einen Überblick über den Aufnahmeprozess.

Als konkretes Beispiel soll an dieser Stelle die Erstellung und Archivierung des Manas-UdS Kyrgyz Corpus dienen, welches über den „idealen Pfad“ seinen Weg in das Repositorium fand. Dies bedeutet, dass bereits bei der Korpuserstellung die Archivierung in CLARIND-UdS berücksichtigt wurde. Das Korpus entstand im Rahmen eines DAAD-Gastaufenthalts von Prof. Aida Kasieva (Kirgisisch-Türkische Manas-Universität Bischkek) in Saarbrücken. Bei der Textauswahl durch die Datengeberin wurde auf eine freie Lizenz (CC BY-NC-SA 4.0) geachtet, um die Wiederverwendbarkeit des Korpus sicherzustellen (vgl. FAIR-Initiative). Weiterhin wurden im Voraus mögliche Annotationsebenen im Hinblick auf die spätere Analyse des Korpus mit CQPweb diskutiert. Im letzten Schritt dieses Prozesses wurde das fertige Korpus in das Repositorium integriert. Hierfür wurden eine Landeseite, ein Persistent Identifier (PID) und Metadaten (Dublin Core & CMDI) erstellt. Durch die frühe Zusammenarbeit von Datengeberin und Repositorium verlief der gesamte Integrationsprozess reibungslos. Darüber hinaus ermöglichte dies eine nachträgliche Erweiterung des Korpus mit nur geringem Aufwand.

---

CLARIND-UdS auf einen Blick

Zitiervorschlag
Stefan Fischer, Jörg Knappen, Marie-Pauline Krielke, Elke Teich: Partner-Parade #01: CLARIND-UdS. Datenzentrum an der Universität des Saarlandes, in: Text+ Blog, 25.09.2023, https://textplus.hypotheses.org/7021.

Beitragsbild: Paul Klee: Kamel (in rhythmischer Baumlandschaft), Öl auf Leinwand, 1920. Public Domain.

---

---