Open Access

Dieser Aufsatz präsentiert Ergebnisse, die im Rahmen des binationalen Forschungsprojekts SDiv erarbeitet wurden 1. Im vorliegenden Text mit seinem Schwerpunkt auf den Textsorten innerhalb des Korpus Öffentliche Bekanntmachungen geht es im ersten Schritt um die Bestimmung der kommunikativen Merkmale, den historischen Rahmen, die quantitative Verteilung der Textsorten sowie ihre Klassifikation innerhalb des betreffenden Korpus 2. Im zweiten Schritt wird eine Analyse der sprachlichen Strukturen und Routinen durchgeführt. Das Ziel der textlinguistischen Analyse ist die Rekonstruktion der „Kommunikationsbedürfnisse und Kommunikationsbedingungen“ (Mattheier, 1998: 4), so wie sie im Zusammenhang mit den Öffentlichen Bekanntmachungen im 19. Jh. wirksam gewesen sind. Textsorten und Textsortengeschichte(n) haben den Vorzug, dass sie als „Schaltstellen zwischen Geschichte der Sprache und der Geschichte der Sprachgemeinschaft“ (Mattheier, 1998: 4) fungieren können, insofern leistet die hier realisierte Studie zu den Textsorten innerhalb der Öffentlichen Bekanntmachungen auch einen Beitrag zur Geschichte des Deutschen sowie zur Sozialgeschichte der mehrsprachigen Sprecher des Deutschen in Luxemburg. Der nachfolgende Aufsatz gliedert sich in sechs Abschnitte: 1. Einleitung, 2. Historischer Rahmen, 3. Korpus, 4. Theoretische Einbettung, 5. Sprachexterne Faktoren, 6. Sprachinterne Faktoren (z. B. grammatische Merkmale) sowie 7. Bilanz

In this paper, we describe preliminary results from an ongoing experiment wherein we classify two large unstructured text corpora—a web corpus and a newspaper corpus—by topic domain (or subject area). Our primary goal is to develop a method that allows for the reliable annotation of large crawled web corpora with meta data required by many corpus linguists. We are especially interested in designing an annotation scheme whose categories are both intuitively interpretable by linguists and firmly rooted in the distribution of lexical material in the documents. Since we use data from a web corpus and a more traditional corpus, we also contribute to the important field of corpus comparison and corpus evaluation. Technically, we use (unsupervised) topic modeling to automatically induce topic distributions over gold standard corpora that were manually annotated for 13 coarse-grained topic domains. In a second step, we apply supervised machine learning to learn the manually annotated topic domains using the previously induced topics as features. We achieve around 70% accuracy in 10-fold cross validations. An analysis of the errors clearly indicates, however, that a revised classification scheme and larger gold standard corpora will likely lead to a substantial increase in accuracy.