Daten finden leicht(er) gemacht

In der Linguistik begegnen einem Daten überall, doch was versteht man eigentlich unter Daten? The Open Handbook of Linguistic Data Management definiert Daten als "entities used as evidence of phenomena for the purposes of research or scholarship" (Berez-Kroeker et al. 2022: 3, adopted from Borgman 2015). Das Spektrum von linguistischen Daten wird z.B. in dem Artikel "The Scope of Linguistic Data" von Jeff Good in The Open Handbook of Linguistic Data Management thematisiert.

In vielen Fällen werden digitale Sprachdaten auch als Sprachressourcen bezeichnet. Die ELRA Language Resources Association definiert Sprachressourcen als "a set of speech or language data and descriptions in machine readable form." Als Beispiele für Sprachressourcen gibt die ELRA geschriebene/gesprochene Korpora, Sprachsammlungen, computergestützte Lexika, Terminologiedatenbanken und Tools an.

Abhängig von Ihrer Forschungsfrage kann es sein, dass Sie zum Beispiel ein Experiment oder eine Umfrage durchführen und hierdurch Daten erheben oder Sie analysieren gesprochene oder geschriebene Daten aus bestehenden Korpora.

Es ist empfehlenswert festzulegen welche Art von Daten für die eigenen Forschungsfragen benötigt werden, bevor man mit der Suche anfängt.

• re3data
  Das Registry of Research Data Repositories ist ein international anerkanntes Nachweisinstrument für Forschungsdatenrepositorien.
• Zenodo
  Das Forschungsdaten-Repositorium Zenodo bietet Zugang zu Daten aus allen Disziplinen, auch aus der Linguistik.
• LinguistList
  Diese internationale Kommunikationsplattform für Sprachwissenschaftler*innen verzeichnet auch Informationen zu Daten und Tools aus der Linguistik.

• CLARIN Virtual Language Observatory (VLO)
  Eine Forschungsinfrastruktur für die Geistes-, Kultur- und Sozialwissenschaften, die Daten und Tools aus dem Bereich aufbewahrt und über den VLO auffindbar macht.
  Link: https://vlo.clarin.eu/
• Linguistic Data Consortium (LDC)
  Ein Konsortium aus Universitäten, Bibliotheken und Forschungslaboren, das Sprachressourcen erstellt und vertreibt.
  Link: https://catalog.ldc.upenn.edu/
• Open Language Archives Community (OLAC)
  Eine internationale virtuelle Bibliothek für Sprachressourcen.
  Link: http://www.language-archives.org/
• Sketch Engine
  Eine Sprachkorpusmanager- und Textanalysesoftware, die für die HHU lizenziert ist.
• CoRD
  Eine Auflistung englischsprachigen Korpora von der Forschungsgruppe Variation, Contacts and Change in English an der University of Helsinki.
  Link: https://varieng.helsinki.fi/CoRD/
• The Tromsø Repository of Language and Linguistics (TROLLing)
  Ein Open Access Repositorium und CLARIN Zentrum für Daten und Code aus dem Bereich der Linguistik.
  Link: https://dataverse.no/dataverse/trolling
• OPUS the open parallel corpus
  Eine Sammlung von frei verfügbaren Parallelkorpora, entstanden unter der Leitung von Jörg Tiedemann von der University von Helsinki.
  Link: https://opus.nlpl.eu/
• TalkBank
  Ein Open Access Repositorium für Sprachdaten, insbesondere gesprochene Sprache.
  Link: https://www.talkbank.org/
• GESIS Leibnitz-Institut für Sozialwissenschaften
  Eine Sammlung von Social-Media sowie weiteren digitalen Verhaltensdaten.
  Link: https://www.gesis.org/
• Fachinformationsdienst (FID) Linguistik
  Das Lin|gu|is|tik-Portal bietet Fachinformationen zu allen Bereichen der Sprachwissenschaft.
  • Annohub-Repository des FIDs Linguistik
    Link: https://www.linguistik.de/de/lod/annohub-repository/
• Die Nationale Forschungsdateninfrastruktur Text+
  Link (Federated Content Search, CLARIN-FCS): https://text-plus.org/, https://fcs.text-plus.org/

• META-SHARE
  Ein Repositoriennetzwerk mit einem Katalog, der über 2.500 Sprachressourcen verzeichnet.
  Link: http://www.meta-share.org/
• European Language Resources Association (ELRA) Catalogue
  Link: https://catalog.elra.info/
• LRE Map
  Datenkatalog für einige der wichtigsten NLT Konferenzen, wie LREC, COLING und LTC.
  Link: https://lremap.elra.info/
• Kaggle
  Eine Online-Plattform für den Wissensaustausch und Wettbewerbe rund um Datenanalyse, Machine Learning (ML), Data Mining und Big Data.
• Hugging Face
  Eine Online-Plattform aus dem Machine Learning Bereich, wo u.a. Datensätze und Modelle geteilt werden können.
  Link: https://huggingface.co/datasets
• Natural Language Toolkit (NLTK)
  Eine Kollektion von Python Bibliotheken und Programmen im Bereich der Coputerlinguistik mit Schnittstellen zu verschiedene Korpora.
  Link: https://www.nltk.org/data.html

• Glottolog
  Die Datenbank bietet freien Zugang zu wissenschaftlichen Informationen über die Sprachen der Welt, insbesondere über bedrohte Sprachen, Sprachfamilien und Dialekte.
• Ethnologue
  Die Datenbank enthält Basisinformationen zu allen bekannten lebenden Sprachen der Welt und ist für die HHU lizenziert.
• The World Atlas of Language Structures (WALS)
  Eine umfangreiche Datenbank struktureller Eigenschaften von Sprachen (z.B. phonologische, grammatikalische, lexikalische).
• MLA Langage Map
  Eine Ressource der Modern Language Association, die ein einfaches und intuitives Entdecken und Untersuchen der unterschiedlichen Regionen in den USA bezogen auf deren sprachliches Umfeld erlaubt.
• SIL Language and Culture Archives
  Eine Bibliographie, die über 40.000 Nachweise von Büchern, Zeitschriftenartikeln, Dissertationen und Daten über ca. 1.600 Sprachen und Kulturen enthält.
• Endangered Languages Archive (ELAR)
  Listet multimediale Materialien aus dem Sprachalltag gefährdeter Sprachen aus aller Welt.
• The Language Archive (TLA) vom Max Plank Institute
  Link: https://archive.mpi.nl/tla/
• Language Data Commons of Australia (LDaCA)
  Link: https://www.ldaca.edu.au/

• PHOIBLE
  Eine Sammlung phonologischer Daten aus fast 2.200 verschiedenen Sprachen.
• Surrey Lexical Splits Database
  Link: https://lexicalsplitsdb.surrey.ac.uk/
• The World Loanword Database (WOLD)
  Link: https://wold.clld.org/
• UCLA Phonetics Lab Archive
  Link: http://archive.phonetics.ucla.edu/

• Eine Auflistung von corpus tools von Kristin Berberich und Ingo Kleiber
  Link: https://corpus-analysis.com/

• Englisch
  •  english-corpora.org: Korpora von Prof. em. Mark Davies (Brigham Young University, Utah), lizenziert vom FID Linguistik
  • Oxford Text Archive
    Link: https://ota.bodleian.ox.ac.uk/repository/xmlui/
• Deutsch
  • IDS Mannheim: 
    • Das Digitale Wörterbuch der Deutschen Sprache (DWDS)
    • COSMAS II
  • Hamburg Zentrum für Sprachkorpora
  • Bayerisches Archiv für Sprachsignale
  • Institut für Maschinelle Sprachverarbeitung, Universität Stuttgart
  • Arbeitsbereich Allgemeine Sprachwissenschaft & Computerlinguistik, Universität Tübingen
  • Corpus Linguistics and Morphology, Humboldt-Universität zu Berlin
  • Leipzig Corpora Collection
• Slavische Sprachen
  • Übersicht verschiedener Korpora, zusammengestellt vom Lehrstuhl für slavische Sprachenwissenschaft der Universität Tübingen, in Kooperation mit dem Lehrstuhl für Slavische Philologie (Sprachwissenschaft) der Universität Freiburg.