Das Deutsche Textarchiv

Das Deutsche Textarchiv (DTA), www.deutschestextarchiv.de

Projektbeschreibung

Ziel

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 wird als „Best-Practice“-Format für historische geschriebene Korpora im CLARIN-D-Infrastrukturprojekt empfohlen (vgl. [CLARIN-D- Benutzerhandbuch]).

Vorgehen

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, intensiver manueller Nachkontrolle, erfasst. Sämtliche Korpustexte werden vollautomatisch linguistisch erschlossen (u. a. Tokenisierung, Lemmatisierung, POS-Tagging, Abbildung historischer Schreibweisen auf heutige Orthographie)

Bestand und Integration externer Texte

Hinsichtlich der Entstehungszeit der für das DTA erfassten Texte sowie in Bezug auf die dabei berücksichtigten Textsorten wird eine größtmögliche Ausgewogenheit angestrebt. Derzeit (Stand 11. August 2014) stehen auf der Webseite des DTA 1321 Werke im Umfang von etwa 425000 digitalisierten Seiten als elektronische Volltexte und digitale Faksimiles zur Verfügung (Umfang: ca. 100 Millionen Textwörter bzw. etwa 1 Milliarde 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 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.

Zugang zu den vom DTA bereitgestellten Forschungsdaten (Metadaten und Texte)

− Download des Gesamtkorpus und ausgewählter Pakete in TEI/P5-XML [DTABf]: http://www.deutschestextarchiv.de/download
− APIs für Feeds und OIA-PMH Harvest: http://www.deutschestextarchiv.de/api

Ausblick

Alle Texte der kooperierenden Partner werden ebenfalls im [DTABf] zur Verfügung gestellt und können somit interoperabel als Forschungsdaten verwendet werden. Die Korpora des Deutschen Textarchivs sollen insgesamt den Grundstock für ein zu erarbeitendes umfassendes historisches Referenzkorpus des Neuhochdeutschen bilden.

Fakten zum Deutschen Textarchiv

− Zeitraum: 1600-~1900 (Geschriebene Korpora)
− Umfang Kernkorpus: ca. 100 Millionen Tokens
− Umfang Ergänzungskorpora: ca. 120 Millionen Tokens (Stand: Juli 2014)

• Kooperationen: http://www.deutschestextarchiv.de/doku/kooperationen

− DFG-gefördert: seit 2007
− Antragsteller: Wolfgang Klein, Martin Grötschel, Manfred Bierwisch
− Arbeitsstellenleiter: Alexander Geyken

Team

• Adrien Barbaresi (Computerlinguistik)
• Matthias Boenig (geb. Schulz) (Koordination)
• Susanne Haaf (Koordination)
• Dr. Bryan Jurish (Computerlinguistik)
• Christian Thomas (Koordination)
• Frank Wiegand (Software-Entwicklung und Webapplikation)
• Kai Zimmer (Systemadministration)

Weitere Informationen

− [DTA]: http://www.deutschestextarchiv.de
− [DTAQ]: Verteilte web-basierte Korrekurumgebung: http://www.deutschestextarchiv.de/dtaq
− [DTAE]: DTA-Erweiterungen: http://www.deutschestextarchiv.de/dtae
− [DTABf]: DTA-Basisformat (DTABf): http://www.deutschestextarchiv.de/doku/basisformat (Interoperables TEI-P5-Format)
− [CAB]: = „Cascaded Analysis Broker“, unter anderem für 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.
  
• Online-Demo: http://www.deutschestextarchiv.de/demo/cab/
  

− Veröffentlichungen: http://www.deutschestextarchiv.de/doku/publikationen
− [CLARIN Benutzerhandbuch] http://clarin-d.de/en/language-resources/userguide.html