How to Transkription & Annotation

Schritt 1: Einträge in der Datenbank erstellen

Vor dem Transkribieren eines Texts werden in der Datenbank Einträge erstellt, die die Metadaten zu den Proband:innen und der Produktion enthalten. Die einfachste Möglichkeit auf die Datenbank zuzugreifen, ist die Web-Schnittstelle des DHVLabs:

• https://dhvlab.gwi.uni-muenchen.de/ aufrufen und Modul "Datenrepositorium" wählen oder
• direkt über https://dhvlab.gwi.uni-muenchen.de/sql/

Vor der ersten Nutzung muss über "Registrieren" auf der Startseite ein Account erstellt werden. Unter "Lab" wird hierbei "muleco" ausgewählt. (Die Registrierung muss erst freigeschaltet werden, d.h. es kann nicht unmittelbar danach auf die Datenbank zugegriffen werden.)

In der Webschnittstelle kann links die Datenbank "lab_muleco" ausgewählt werden, woraufhin alle zugehörigen Tabellen angezeigt werden. Relevant sind hierbei die Tabellen "productions" und "subjects".

Zuerst wird ein Eintrag in der Tabelle "subjects" angelegt, indem erst die Tabelle und dann oben der Reiter "Einfügen" ausgewählt wird. Dort werden die Basisinformation wie L1-, L2-, L3-Sprachen, Wohnort und Geschlecht eingetragen. Das erste Feld "id_subject" bleibt leer, da dem Datensatz nach Erstellung automatisch eine ID zugewiesen wird.

Für den Eintrag in der Tabelle "productions" wird diese ID gebraucht. Das erste Feld "id_production" kann wieder leer bleiben, während im zweiten Feld "id_subject" die vorher erstellte ID angegeben wird. Die weiteren Felder beschreiben die Produktion genauer.

Schritt 2: Produktion transkribieren

Sind die Einträge in beiden Tabellen erstellt, kann die Sigle für den jeweiligen Text zusammengesetzt werden. Diese verwendet folgendes Schema:

	1	2	3	4	5	6	7
Parameter	L1 (ISO 639-3)	Mehr-sprachigkeit	Sprache Produktion	Sprachniveau	Textart	Medium	ID Produktion (4 Stellen)
Ausprägung	DEU, TUR, POL, ...	N(o) Y(es)	ES/FR/IT	A1/A2/B1/B2/C1/C2/L1	F(rog) S(tory) (Other) P(icture) S(tory) F(ree) P(roduction)	W(ritten) O(ral)	0001, 0002, 0003, 0004, ...
Beispiel	DEU	N	ES	A2	FS	W	0001

DEUNESA2FSW0001

 

Die beiden ersten Bestandteile stammen dabei aus der Tabelle "probanden", die restlichen Felder aus der Tabelle "produktion". Das siebte Feld ist dabei die automatisch generierte ID der jeweiligen Produktion. Die Sigle kann auch in der Datenbank generiert werden, indem im Reiter SQL der folgende Befehl mit der ID ausgeführt wird:

SELECT sigle(<ID>)

Die Sigle wird als Titel für den Text im Muleco-Portal verwendet, der nach Anmeldung unter "Texte" erstellt werden kann:

https://www.muleco.gwi.uni-muenchen.de/wp-admin/edit.php?post_type=text

Im Editor-Feld kann die jeweilige Produktion transkribiert werden. Dabei ist jeder Satz ein Element einer nummerierten Liste:

Schritt 3: Identifizierung

Fehler identifizieren: Bsp: Elle es drôle.

Der Fehler wird nun in Hashtags gesetzt. Zusätzlich wird rechts daneben die korrigierte Version eingefügt, dies wird durch ein + getrennt:

Elle #es+est# drôle.

Wenn der Fehler darin besteht, dass etwas hinzugefügt wurde, besteht die Verbesserung einfach nur aus einer Null:

Elle paie pour une baguette. → Elle paie #pour+0# une baguette.

Wenn der Fehler darin besteht, dass etwas weggelassen wurde, besteht die Verbesserung dadurch, dass ein neues Wort hinzugefügt wird, dies wieder in Hashtags gesetzt wird und in der linken Stelle eine Null steht:

Tu as pas d‘argent. → Tu #0+n’# as pas d’ argent.

Wenn ein Fehler sich auf mehrere Tokens bezieht oder die Korrektur aus mehreren Tokens besteht, werden diese zusammen mit den Leerzeichen von # umschlossen, z.B.:

Le garçon et le chien crient #à les+aux# environs.

la grenouille #s' échapper+s' est échappée#

Es wird immer die minimale Anzahl von Tokens umschlossen, d.h. anstatt

#c' est+est#

wird

#c'+0# est

verwendet.

Ändert ein Token die Position, kann das mit einem < bzw. > Zeichen am Ende der Korrektur angegeben werden. Ist das Token grundsätzlich korrekt und nur falsch positioniert, wird keine Korrektur angegeben:

un choix #bon#<1

-> bon wird um eine Stelle nach links verschoben

Ansonsten wird die Korrektur wie gewohnt angegeben:

Le garçon #premiere+d' abord#>1 appelle la grenouille .

-> premier wird durch d'abord ersetzt und eine Stelle nach rechts verschoben

Die Nummer nach dem > oder < Zeichen gibt jeweils an, um wie viele Stellen das Token verschoben werden muss.

Schritt 4: Kategorisierung

Nun muss der Fehler kategorisiert werden, wozu die Annotationstabelle benötigt wird. Beim ersten Beispiel oben handelt es sich um einen Rechtschreibfehler, also ‚ORT‘, genauer gesagt um die Phonem-Graphem-Korrespondenz.
Die Kategorisierung im Text wird mit eckigen Klammern gekennzeichnet und von der Korrektur durch ein Leerzeichen getrennt. Sie hat vier Stellen, die wieder durch + abgetrennt werden. Die Reihenfolge dieser Stellen entspricht den ersten vier Spalten der Annotationstabelle, die letzte Stelle muss nicht zwangsläufig besetzt werden. Im Beispiel sähe es dann wie folgt aus:

Elle #es+est# [ORT+PGK+OMI+] drôle.

Die dritte Stelle beschreibt den Fehler etwas näher, in diesem Fall wurde ein Buchstabe weggelassen, also wird ein ‚OMI‘ gesetzt. Die vierte Stelle ist quasi das Gegenstück zur dritten Spalte, z.B. [ADJ+GN+MSG+FSG]. Wenn in der Annotationstabelle dort der Platzalter <EMPTY> steht, wird das Feld freigelassen (aber kein Leerzeichen). Wichtig ist, dass innerhalb der Klammer immer drei (bzw. vier bei Zusatzkategorie) Pluszeichen stehen:

Je n‘ai pas besoin de beaucoup #0+de# [DET+ANY+OMI+] temps.

Zusatzkategorien

Falls es sich bei den Kategorien um Kongruenz- oder Transferfehler handelt, muss eine zusätzliche Kodierung vorgenommen werden. Das liegt daran, dass es sich bei Kongruenz und Transfer um Fehler handelt, die einen gewissen Interpretationsspielraum haben und nicht immer objektiv bestimmbar sind. Hierbei wird die Fehlerklassifikation um eine fünfte Stelle erweitert.

Kongruenzfehler sind alle Fehler, bei denen das Genus, das Numerus, die Person sowie die Zeit nicht übereinstimmen. An fünfter Stelle wird hier "CONG" angegeben:

La femme est #fort+forte# [ADJ+GEN+M+F+CONG].

Bei Transferfehlern wird etwas aus einer anderen Sprache entlehnt. Hier wird an fünfter Stelle "CLI" verwendet und eine zusätzliche sechste Stelle mit der jeweiligen anderen Sprache angefügt:

Une catastrophe est #passée+arrivée# [LEX+SEM+IDIO++CLI+DE]

Bei Codeswitching werden die dritte und vierte Stelle leer gelassen und am Ende ebenfalls ein "CLI" mit Sprache ergänzt:

un #juice+jus#  [LEX+CS+++CLI+EN] d’orange

Sind mehrere Sprachen denkbar (und im Bezug auf die Sprachkenntnisse der jeweilig befragten Person realistisch) können sie durch ein &-Zeichen getrennt angegeben werden:

[LEX+SEM+IDIO++CLI+DE&EN]

Eine weitere Zusatzkategorie gibt es für Fälle, in denen mehrere Fehlerkategorisierungen denkbar sind. Hierbei wird zuerst die als die am wahrscheinlichsten eingeschätze Variante angegeben, darauf folgen weitere mögliche Interpretationen, die an fünfter Stelle mit "AMBIG" markiert sind:

Alors elle va au lit et #dorme+dort# [V+CONJ+FAL+] [V+MOD+SUBJ+IND+AMBIG] .

"AMBIG" kann auch mit anderen Zusatzkategorien wie "CONG" kombiniert werden. Dazu wird ein &-Zeichen verwendet:

[DETART+GN+FSG+MSG+CONG&AMBIG]

Formatierung

1. Leerzeichen

Vor allen Satzzeichen wird ein Leerzeichen eingefügt, um die Satzzeichen für die Tokenisierung klar von den jeweiligen Wörtern abzugrenzen, z.B.

Il y a une surprise , la grenouille n' est pas là .

Das gilt auch für Anführungszeichen, Bindestriche etc.:

Mais qu' est - ce que c' est ?

2. Apostrophe

Für Apostrophe, die zwei Wörter verbinden, wird grundsätzlich das Hochkomma ' (über dem # auf der Tastatur) verwendet. Außerdem muss ein zusätzliches Leerzeichen zwischen den Wörtern eingefügt werden:

C' est la nuit.

Innerhalb einer Korrektur muss das Leerzeichen nur eingefügt werden, wenn danach ein weiteres Wort folgt:

#c' est+0#

#0+c' est#

Am Ende von Fehler bzw. Korrektur ist es nicht notwendig:

#s'+0#

#0+s'#

Sonderfälle

1. Verbesserung wirkt sich auf andere Satzteile aus.

In diesem Fall verfahren wir so, dass alle veränderten Stellen wieder zwischen Hashtags gesetzt werden. Links wird der originale Wortlaut geschrieben, rechts der Wortlaut, der durch die Verbesserung erzeugt wurde. Wenn dabei ein neues Wort angefügt werden muss, wird dies durch eine 0 (Null) markiert. Beides wird wieder durch ein + abgetrennt. Es findet aber keine Kategorisierung statt, da es ja auch keinen Fehler gab:

Je bois d’eau. → Je bois #d’+de# #0+l‘# [ART+PAR+OMI+] eau.

2. Im Wort gibt es mehrere Fehler.

Wenn es mehrere Fehler in einem Wort gibt, müssen alle Fehler individuell kodiert werden. Die beiden geklammerten Ausdrücke werden durch ein Leerzeichen getrennt:

Ils voirent. → Ils #voirent+regardent# [V+CONJ+FAL+] [LEX+SEM+FAL+].