d-Prose 1870-1920

Das Korpus "d-Prose 1870-1920" ist eine heterogene Sammlung aus 2529 deutschsprachigen, literarischen Prosatexten, die zwischen 1870 und 1920 publiziert wurden. Es enthält Erzähltexte aus Trivial- und Hochliteratur mit einem Mindestumfang von 1000 Wörtern. Das Korpus wurde im Rahmen des hermA-Teilprojekts „Gender und Krankheit“ aus manuell und teilautomatisch ausgewählten Texten aus dem deutschsprachigen Raum erstellt.

Die Textdateien wurden dem KOLIMO-Korpus (Lauer/Hermann 2017) entnommen, welches wiederum auf den Repositorien TextGrid  (Neuroth/Rapp/Söring 2015), Deutsches Textarchiv (BBAW 2017) sowie Gutenberg-de (Reuters 2017) beruht. Aus den XML-Dateien des KOLIMO-Korpus wurden alle deutschsprachigen literarischen Prosatexte, die zwischen 1870 und 1920 publiziert wurden, mithilfe des Programms KOLIMOtoText (Adelmann 2020) als Textdateien extrahiert. Doppelt vorkommende Texte wurden mithilfe des Autor-Name-Titel-Vergleichsprogramms ANTComp (Adelmann 2020a) und des Volltextvergleichsprogramms BatchSED (Adelmann 2020b) zur automatisierten Dublettenbereinigung entfernt (vgl. Adelmann & Gius 2020). Die verbliebenen Texte wurden für die Bedürfnisse automatisierter Analysen manuell von paratextuellen Elementen (Widmungen, Herausgeberkommentaren, Autor:innennamen etc.) bereinigt, sodass allein der Prosatext mit dem Werktitel in den Dateien erhalten sind.

Die Texte liegen als Reintextdateien mit einer dazugehörigen Metadatentabelle vor. Die Metadatentabelle wurde enthält für jedes Werk Daten zu Autor:innenname, Titel des Werks, Repositorienquelle, Dateiname sowie Publikationsdatum (extrahiert aus den Metadaten der Ursprungsrepositorien, kontrolliert und ggf. korrigiert oder erweitert um Daten aus den Literaturlexika Killy und Kindler).

Die größte Datei mit einem Umfang von 6,2 MB beinhaltet den Fortsetzungsroman Deutsche Herzen - Deutsche Helden von Karl May (980981 Wörter). Die kleinste Datei die Erzählung Die Verlobung von Ludwig Thoma mit einem Umfang von 6 KB (1019 Wörter).

Referenzen:

• Adelmann, Benedikt (2020): KOLIMOtoText. A tool for extracting the document text of TEI and XHTML files in the KOLIMO corpus. https://github.com/benadelm/KOLIMOtoText [03.12.2020].
• Adelmann, Benedikt (2020a): ANTComp (Author-Name-Title-Comparer). An implementation of a heuristic approach to identifying possible duplicates in a corpus of literary works. https://github.com/benadelm/ANTComp [03.12.2020].
• Adelmann, Benedikt (2020b): BatchSED (Batch-Substring-Edit-Distance). A tool for batch computing substring editing distances between the full texts of novels for duplicate detection. https://github.com/benadelm/BatchSED [03.12.2020].
• Adelmann, Benedikt / Gius, Evelyn (2020): „Korpusbereinigung für größere Textmengen. Eine (kurze) Problematisierung und ein Lösungsansatz für Duplikate“. In: Book of Abstracts, DHd-Tagung, Paderborn, S. 331334.
• Berlin-Brandenburgischen Akademie der Wissenschaften (Hrsg.) (2017): Deutsches Textarchiv. Grundlage für ein Referenzkorpus der neuhochdeutschen Sprache. Berlin. http://www.deutschestextarchiv.de/ [03.12.2020].
• Herrmann, Berenike / Lauer, Gerhard (2017): KOLIMO. A corpus of Literary Modernism for comparative analysis. https://kolimo.uni-goettingen.de/about [01.05.2020].
• Neuroth, Heike / Rapp, Andrea / Söring, Sibylle (Hrsg.) (2015): TextGrid: Von der Community — für die Community. Eine Virtuelle Forschungsumgebung für die Geisteswissenschaften. Universitätsverlag Göttingen, Verlag Werner Hülsbusch, Glückstadt.
• Reuters, Hella (Hrsg.) (2017): Projekt Gutenberg-DE, Die weltweit größte kostenlose deutschsprachige Volltext-Literatursammlung. https://www.projekt-gutenberg.org/ [03.12.2020].