Das Deutsche Textarchiv

Überblick

Ziel des von der Deutschen Forschungsgemeinschaft geförderten und an der Berlin- Brandenburgischen Akademie der Wissenschaften (BBAW) beheimateten Projekts Deutsches Textarchiv (DTA) ist es, einen disziplinenübergreifenden Bestand deutschsprachiger Texte vom Beginn des 17. bis zum Ende des 19. Jahrhunderts nach den Erstausgaben zu digitalisieren und als linguistisch annotiertes Volltextkorpus im Internet bereitzustellen. Alle Volltexte des DTA sind einheitlich in dem anhand der TEI P5 entwickelten DTA-Basisformat (DTABf) annotiert und schreibweisentolerant abfragbar ([CAB]). Das DTA-Basisformat ist seit Januar 2013 „Best-Practice“- Format für historische Korpora im CLARIN-D-Infrastrukturprojekt (vgl. [CLARIN-D- Benutzerhandbuch]).

Um den historischen Sprachstand möglichst genau abzubilden, werden als Vorlage für die Digitalisierung in der Regel die ersten selbstständigen Ausgaben der jeweiligen Werke zugrunde gelegt. Die Volltexterfassung erfolgt vorlagengetreu und unter Verzicht auf textkritische Eingriffe und Kommentierungen. Hierzu werden die Texte in einem standardisierten Prozess größtenteils manuell (im Double Keying- Verfahren) erfasst. Dies ist aufgrund der Textvorlagen, die überwiegend in Fraktur vorliegen, bedeutend zuverlässiger als eine Texterfassung durch OCR; jedoch wurden etwa 200 vergleichsweise einfach strukturierte Werke aus dem Zeitraum 1780–1900 wurden per OCR mit anschließender manueller Nachkontrolle, erfasst.

Hinsichtlich der Entstehungszeit der für das DTA erfassten Texte sowie in Bezug auf die dabei berücksichtigten Textsorten wird eine größtmögliche Ausgewogenheit angestrebt. Derzeit (Stand 5. Dezember 2013) stehen auf der Webseite des DTA 1 281 Werke im Umfang von etwa 414 810 digitalisierten Seiten als elektronische Volltexte und digitale Faksimiles zur Verfügung (Umfang: ca. 100 Millionen Textwörtern bzw. etwa 680 Millionen Zeichen). Mit einem Umfang von mehr 1.300 Texten des 17.–19. Jahrhunderts entsteht mit dem Deutschen Textarchiv ein großes historisches TEI- kodiertes Kernkorpus deutschsprachiger Texte. Der Kernbestand wird über Kooperationen und die Integration externer Texte systematisch über Kooperationen mit anderen Korpuserstellungsprojekten erweitert (im Rahmen des DTA-Erweiterungsmoduls [DTAE]); die Qualitätssicherung erfolgt auf der webbasierten, kollaborativen Plattform [DTAQ]). Derzeit betrifft dies einen Gesamtbestand von etwa 120 Millionen Tokens. Alle Texte der kooperierenden Partner werden ebenfalls im DTA-Basisformat zur Verfügung stehen und somit interoperabel als Forschungsdaten verwendbar sein. Die Korpora des Deutschen Textarchivs sollen insgesamt den Grundstock für ein zu erarbeitendes umfassendes historisches Referenzkorpus des Neuhochdeutschen bilden.

Einige Fakten zum Deutschen Textarchiv − Zeitraum: 1600-~1900 (Geschriebene Korpora) − Umfang Kernkorpus: 100 Millionen; Umfang Ergänzungskorpora: 120 Millionen − Interoperables TEI-P5-Format: www.deutschestextarchiv.de/doku/basisformat − DFG-gefördert: seit 2007 − Antragsteller: Wolfgang Klein, Martin Grötschel, Manfred Bierwisch

Weitere Informationen − [DTA]: www.deutschestextarchiv.de − [CAB]: Schreibweisentolerante Suche: Informationen zum Programm CAB, welches die Abbildung einer historischen Schreibung auf die heutige Orthographie realisiert: http://www.deutschestextarchiv.de/doku/software#cab bzw. http://www.deutschestextarchiv.de/demo/cab/ − [DTAQ]: Verteilte web-basierte Korrekurumgebung: www.deutschestextarchiv.de/dtaq − [DTAE]: DTA-Erweiterungen: www.deutschestextarchiv.de/dtae − Veröffentlichungen: http://www.deutschestextarchiv.de/doku/publikationen [CLARIN Benutzerhandbuch] http://clarin-d.de/en/language-resources/userguide.html