Projekt Methoden der Korpusanalyse und -erschließung
Die Zeitverlaufsgrafiken in den Neologismenwortartikeln – Hinweise zu Datengrundlage und Methoden

Die Zeitverlaufsgrafiken, ein Ergebnis der Kooperation zwischen den IDS-Projekten Neuer Wortschatz und Methoden der Korpusanalyse und -erschließung, basieren auf den nachfolgend beschriebenen Korpusdaten und Suchanfragen. Zeitverlaufsgrafiken werden in zwei Ansichten angeboten, die hier ebenfalls kurz charakterisiert werden. Beim Betrachten und Interpretieren der Zeitverlaufsgrafiken sind zudem zwei grundlegende Hinweise zur statistischen Zuverlässigkeit zu beachten. Die Beziehung zwischen den Grafiken und den Artikeln des Onlinewörterbuchs wird in den Anmerkungen des Projekts Neuer Wortschatz kurz umrissen.


Datengrundlage
Den Zeitverlaufsgrafiken liegt ein virtuelles Korpus zugrunde, das alle Zeitungskorpora im Deutschen Referenzkorpus (DeReKo)[1] im COSMAS II-Archiv W (Archiv der geschriebenen Sprache) seit 1990 umfasst. Zeitungskorpora sind im vorliegenden Kontext besonders geeignet, u.a. weil sie der Allgemeinsprache zuzurechnen sind und gleichzeitig einen zeitlich kontinuierlichen Datenstrom darstellen. Dieses virtuelle Korpus umfasst derzeit insgesamt ca. 9,15 Milliarden laufende Textwörter, die sich auf die einzelnen Jahrgänge verteilen, wie in der folgenden Abbildung dargestellt. Der gewünschte Zeitraum ist durch dieses Korpus lückenlos und für jedes Jahr substanziell abgedeckt, wobei der Korpusumfang zwischen den einzelnen Jahren sichtbar variiert.

[1] Leibniz-Institut für Deutsche Sprache (2021): Deutsches Referenzkorpus / Archiv der Korpora geschriebener Gegenwartssprache 2021-I (Release vom 2.2.2021). Mannheim: Leibniz-Institut für Deutsche Sprache. www.ids-mannheim.de/DeReKo

Grafik Korpusumfang pro Jahr

Abbildung: Korpusumfang nach Jahren



Die Korpustexte stammen aus Deutschland, aus Österreich, aus der Schweiz sowie zu einem kleinen Anteil aus Luxemburg. Aus dem Gesamtkorpus leiten sich die für die drei für die Zeitverlaufsgrafiken im Neologismenwörterbuch betrachteten Teilkorpora her: Für die Neologismen der 1990er Jahre das Gesamtkorpus der Jahre 1990-2020, für die Neologismen der 2000er Jahre das Teilkorpus der Jahre 2001-2020 und für die Neologismen der 2010er Jahre das Teilkorpus der Jahre 2011-2020. Die Größen der Teilkorpora sind nach Ländern aufgeschlüsselt die folgenden:

Gesamtkorpus 1990-2020
für Neologismen der 1990er		 Teilkorpus 2001-2020
für Neologismen der 2000er		 Teilkorpus 2011-2020
für Neologismen der 2010er
Tokens Länderanteil Tokens Länderanteil Tokens Länderanteil
TOTAL 9,15 Milliarden 100,00 % 7,25 Milliarden 100,00 % 3,90 Milliarden 100,00 %
DE 6,36 Milliarden 69,53 % 5,13 Milliarden 70,80 % 2,73 Milliarden 69,84 %
AT 1,22 Milliarden 13,31 % 0,72 Milliarden 9,91 % 0,41 Milliarden 10,58 %
CH 1,50 Milliarden 16,38 % 1,33 Milliarden 18,32 % 0,70 Milliarden 17,98 %
LU 0,07 Milliarden 0,78 % 0,07 Milliarden 0,98 % 0,06 Milliarden 1,60 %


Zu beachten ist, dass die Texte aus der Schweiz den Zeitraum 1990-1995 nicht abdecken, die Texte aus Luxemburg den Zeitraum von 1990-1999 nicht abdecken und die österreichischen Texte den Zeitraum von 2001 bis 2006 nur schwach abdecken. Die bundesdeutschen Texte hingegen decken den gesamten Zeitraum von 1990 bis heute substanziell ab. Bei Wörtern, deren Gebrauchshäufigkeit in den drei Sprachräumen Deutschland, Österreich und Schweiz deutlich unterschiedlich ausgeprägt ist und eine unterschiedliche zeitliche Entwicklung aufweist, kann die lückenhafte Abdeckung durch Texte aus Österreich und der Schweiz dazu führen, dass die zugehörige Zeitverlaufsgrafik große Sprünge aufweist. Das zeigt sich z.B. bei der Zeitverlaufsgrafik zum Wort Folder, das in den österreichischen Texten deutlich stärker verbreitet ist als etwa in den bundesdeutschen.


Suchanfragen
Die in den Zeitverlaufsgrafiken dargestellte zeitliche Verteilung der Gebrauchshäufigkeit des jeweiligen Wortes ist das Ergebnis einer entsprechenden Suchanfrage via COSMAS II an das o.g. Korpus. Diese Suchanfrage wurde heuristisch formuliert durch eine explizite Auflistung aller Zeichenketten (ggf. flektierte Wortformen und orthografische Varianten), die dem jeweiligen Neologismus-Stichwort zuzurechnen sind. Sie wurde vollautomatisch durchgeführt, eine manuelle Kontrolle der jeweiligen Treffermenge fand nur anhand kleiner Stichproben statt. Daher ist nicht auszuschließen, dass die Treffermengen für einzelne Wörter systematisch fehlerhafte Treffer enthalten (false positives) oder bestimmte Arten von gewünschten Belegen systematisch nicht enthalten (false negatives). Diese Möglichkeit trägt zusätzlich zu anderen Faktoren dazu bei, dass die resultierenden Zeitverlaufsgrafiken die tatsächliche zeitliche Entwicklung der Gebrauchshäufigkeit des jeweiligen Wortes im gegebenen Korpus nicht immer adäquat wiedergeben.
In dem konkreten Fall der beiden Neulexeme die Ex und der Ex war es kaum möglich, eine Suchanfrage zu formulieren, die gezielt nach den Vorkommen des einen Lexems sucht, ohne gleichzeitig auch einen Großteil der Vorkommen des anderen Lexems zu finden. Aus diesem Grund wurde schließlich eine einzige Suchanfrage verwendet, die nach den Vorkommen beider Neulexeme sucht, so dass die beiden entsprechenden Zeitverlaufsgrafiken identisch sind.


Zwei Arten von Zeitverlaufsgrafiken
Für jedes Neologismus-Stichwort wird der berechnete Zeitverlauf seiner Gebrauchshäufigkeiten in zwei Ansichten angeboten: Während die Standard-Ansicht (relative Häufigkeit) intuitiv zugänglicher und daher zum schnellen Erfassen der zeitlichen Entwicklung eines Wortes besser geeignet ist, erlaubt die alternative Ansicht (Differenzenkoeffizient) tiefer gehende Interpretationen und insbesondere unmittelbare visuelle Vergleiche zwischen verschiedenen Zeitverläufen. In dieser zweiten Ansicht ist zusätzlich zum Differenzenkoeffizienten die relative Häufigkeit auf einer zweiten y-Achse aufgetragen, hierdurch können beide Ansichten leichter zueinander in Beziehung gesetzt werden. Für allgemeine Beschreibungen zu diesen (und weiteren) Häufigkeitsmaßen sei auf Keibel (2008) verwiesen.


Statistische Zuverlässigkeit: Häufigkeitsklasse
Grundsätzlich zu beachten ist der folgende vereinfachte Zusammenhang: Je seltener ein Wort im gegebenen Korpus insgesamt vorkommt, desto stärker hängt der beobachtete zeitliche Verlauf seiner Gebrauchshäufigkeit von zufälligen Faktoren ab, d.h., desto weniger zuverlässig gibt die entsprechende Zeitverlaufsgrafik die tatsächliche zeitliche Entwicklung im Gebrauch dieses Wortes wieder. Aus diesem Grund wird mit jeder Zeitverlaufsgrafik die Gesamthäufigkeit des jeweiligen Wortes im gesamten Korpus (also über alle Jahrgänge) in Form einer Häufigkeitsklasse angegeben, deren Wert umso niedriger ist, je häufiger das Wort insgesamt vorkommt. Für das aktuelle Korpus lässt sich die folgende Faustregel formulieren: Die Zeitverlaufsgrafiken von Wörtern mit einer Häufigkeitsklasse von 22 oder höher sind i.A. zu unzuverlässig, um sinnvoll interpretiert werden zu können.


Statistische Zuverlässigkeit: Konfidenzintervalle
In der Korpuslinguistik werden anhand von Beobachtungen in einer Stichprobe, dem Korpus, Aussagen über die Grundgesamtheit, aus der die Stichprobe stammt, also die untersuchte Sprachdomäne, getroffen. Im Falle eines Neologismus im Neologismenwörterbuch dient seine relative Häufigkeit im Zeitungskorpus als eine Schätzung seiner wahren relativen Häufigkeit in der deutschen Allgemeinsprache oder zumindest in der allgemeinen Zeitungssprache. Die Genauigkeit dieser Schätzung kann durch ein Konfidenzintervall angegeben werden. Das Konfidenzintervall bezieht sich immer auf eine bestimmte, vorher festgelegte Wahrscheinlichkeit, das Konfidenzniveau, welches in unserer Anwendung auf 95% festgelegt ist. Das Konfidenzintervall wird dann anhand der beiden Parameter beobachtete absolute Häufigkeit und Korpusgröße berechnet. In unseren Zeitverlaufsgrafiken sind die Konfidenzintervalle durch einen Balken um den Wert der relativen Häufigkeiten herum aufgetragen.

Grafik ZVG mit Konfidenzintervallen
Abbildung: Ausschnitt der Zeitverlaufsgrafik für Helikoptereltern

Beispielsweise lag die anhand des Zeitungskorpus ermittelte relative Häufigkeit des Neologismus Helikoptereltern im Jahr 2011 bei 0,018 pMW. In der zugehörigen Zeitverlaufsgrafik ist das berechnete Konfidenzintervall [0,008...0,040] als Balken um den Wert 0.018 herum aufgetragen. Die Aussage ist: Mit einer Wahrscheinlichkeit von 95% liegt die wahre relative Häufgkeit von Helikoptereltern in diesem Intervall. Ein kleineres Konfidenzintervall zeigt also eine größere Genauigkeit des Schlusses auf die gesamte Sprachdomäne an. Ein kleineres Jahreskorpus oder eine geringere absolute Worthäufigkeit im Korpus bewirken ein größeres Konfidenzintervall.



Seitenanfang