Tägliches Wortspiel · Linguistik
Über die App · Hintergründe · Quellen
Das Spiel
de_zdl_lg), logDiceDie Idee zu Signifikation kam aus einem einfachen Wunsch: linguistische Konzepte spielerisch zugänglich machen – und sie dabei mit fachlichem Anspruch erklären, statt sie wegzuvereinfachen. Kollokationen bieten sich dafür an, weil man sie nicht aus Regeln ableiten kann, sondern nur an echten Texten zeigen. Genau dafür braucht es Daten, und so ist aus dem Ausprobieren ein größeres Projekt geworden: offen lizenzierte deutschsprachige Korpora zusammentragen, syntaktisch analysieren, daraus ein eigenes Wortprofil berechnen (s. Die Daten). Herausgekommen sind vier Spielmodi für Sprachinteressierte, Studierende und den Unterricht – für alle, die sich unsere Sprache einmal genauer anschauen wollen.
Signifikation bezeichnet in Linguistik und Semiotik den Prozess der Bedeutungsgebung: das Verhältnis zwischen einem Zeichen (Signifikant) und dem, wofür es steht (Signifikat), die Aktualisierung von Bedeutung im konkreten Sprachgebrauch.1 Im weitesten Sinne ist Signifikation der Grundvorgang jedes Zeichenaustauschs: Ein Signal löst beim Empfänger eine Interpretationsreaktion aus.2 Das Lateinische sīgnificāre trägt diese Bedeutungen bereits in sich: anzeigen, andeuten, auf etwas hindeuten; meinen, bezeichnen.
Nicht zuletzt beruhen die App und die Auswertung der Daten auf dem logDice-Wert, der genau danach fragt: Welche Verbindungen zwischen Wörtern sind bedeutsam und nicht bloß zufällig? Daneben steckt im Wort das Ende von Kollokation, die in diesem Projekt eine nicht ganz unwichtige Rolle spielt.
Eine Kollokation ist eine Wortverbindung, die im Sprachgebrauch üblich ist, ohne dass die Grammatik sie erzwingen würde. Was genau als Kollokation gilt, wird dabei unterschiedlich bestimmt – je nachdem, ob man fragt, wie man sie findet, oder was sie ausmacht.
Korpuslinguistisch wird eine Kollokation über ihr Vorkommen bestimmt: Zwei Wörter treten in großen Textmengen überzufällig häufig gemeinsam auf, also häufiger, als es der Zufall erwarten ließe.3 Das ist eine Messvorschrift – sie sagt nichts über Bedeutung, lässt sich dafür automatisch auf Milliarden von Wörtern anwenden.
Lexikografisch bestimmt F. J. Hausmann die Kollokation über die Rollen der beteiligten Wörter: Ein Wort trägt die Bedeutung (die Basis) und wählt sich seinen Partner (den Kollokator). Man sagt eher blondes Haar als gelbes Haar – nicht weil Letzteres falsch wäre, sondern weil der Sprachgebrauch blond als den gewohnten Partner von Haar einfordert.4 Kollokationen liegen damit zwischen ganz freien Verbindungen wie rotes Auto und festen Idiomen wie ins Gras beißen: inhaltlich begründet, aber sprachlich konventionalisiert.
Die Statistik liefert die Kandidaten, die semantische Beschreibung entscheidet, welche davon etwas erzählen. Häufigkeit allein genügt nämlich nicht – in der kommt millionenfach vor und ist trotzdem keine Kollokation. Signifikation nutzt deshalb beides: Der logDice-Wert misst nicht rohe Häufigkeit, sondern die Bindungsstärke zweier Wörter (s. Der logDice-Wert).
Methodisch lassen sich zwei Zugänge zur Kollokationsuntersuchung unterscheiden. Statistische Verfahren suchen nach häufigen Nachbarschaften unabhängig von der Grammatik; syntaktische Ansätze beschränken sich auf bestimmte Wortartkombinationen wie Substantiv-Adjektiv oder Verb-Objekt.5 Das Projekt „Signifikation“ folgt dem syntaktischen Weg. Alle Kollokationspaare entstammen syntaktischen Abhängigkeitsrelationen, die mithilfe eines Relationen-Mapping durch die Software spaCy ausgewertet wurden. (s. Die Daten). Fehler können bei der großen Anzahl an Daten natürlich passieren.
Die Methodik
Der logDice-Wert6 ist ein statistisches Assoziationsmaß. Er quantifiziert, wie charakteristisch das gemeinsame Auftreten zweier Wörter im Vergleich zu ihrer zufällig zu erwartenden Kookkurrenz ist – und entscheidet damit darüber, welche Kollokationen in den Spielen oben stehen. Die Formel dafür lautet:
logDice(a, b) = 14 + log2( 2 · fab / (fa + fb) )
Dabei bezeichnet fab die Häufigkeit des gemeinsamen Vorkommens (die Paarfrequenz), fa und fb die jeweiligen Einzelhäufigkeiten beider Wörter im Gesamtkorpus. Der Maximalwert 14 wird nur theoretisch erreicht – dann, wenn beide Wörter ausschließlich miteinander auftreten. In der Praxis bleiben die Werte deutlich darunter; linguistisch aussagekräftige Kollokationen liegen meist zwischen 5 und 12.
Im Vergleich zu anderen Maßen wie dem Pointwise Mutual Information-Score (PMI) ist logDice robust gegenüber seltenen Wörtern: Ein Hapax legomenon (ein Wort, das in einem Korpus nur einmal vorkommt) kann keinen künstlich hohen Score erzielen, weil sein geringer fa-Wert den Quotienten deckelt. Gegenüber der reinen Häufigkeit hat logDice den Vorteil, häufige Funktionswörter (sein, haben, und) zugunsten semantisch gehaltvoller Verbindungen zu benachteiligen. Die Ergebnisse sind dabei nur so gut wie die zugrunde liegende Auswahl der Korpora.
Die Kollokationsdaten werden durch eine eigene mehrstufige Extraktionspipeline aus offen lizenzierten deutschen Korpora gewonnen. Die Schritte im Überblick:
text, quelle, genre, epoche, jahr. Das Entstehungsjahr jedes Textes wird dabei bewahrt – Grundlage für die spätere Auswertung nach Jahrzehnten im Modus Zeitenwende.de_zdl_lg (ZDL/BBAW, trainiert auf dem HDT-Treebank mit DWDSmor-Lemmatisierung) verwendet das Universal-Dependencies-Tagset. Dessen Abhängigkeitslabels werden auf linguistisch interpretierbare Relationstypen abgebildet: nsubj → Subjekt, obj → Objekt, amod → Adjektivattribut, obl → Präpositionalgruppe, conj → Koordination u. a.wortprofil.db gespeichert und der App per SQLite-Query zur Verfügung gestellt.Zusätzlich zur Kollokationsdatenbank entsteht aus denselben Korpora ein Volltextindex (SQLite FTS5) für die Belegsuche. Beim Anklicken einer Kollokation werden Originalsätze mit beiden Wörtern gesucht und mit vollständiger Quellenangabe und Lizenzhinweis angezeigt – seit August 2026 dokumentgenau, also mit Titel, Autor und Jahr der einzelnen Fundstelle statt nur des Korpusnamens. Der Index umfasst 141,7 Millionen Sätze aus 3,48 Millionen Dokumenten und 23 Quellen. Ein zweiter, lemmatisierter Index sorgt dafür, dass die Suche auch flektierte Formen findet – digital + Gesundheitsanwendung liefert damit auch Sätze, in denen nur „digitale Gesundheitsanwendungen“ steht. Für die Zeitenwende-Runde werden die Tripel nach Entstehungsjahrzehnt gruppiert, sodass Verschiebungen im Kollokationsverhalten über Jahrhunderte sichtbar werden. Die Wort-Zwilling-Runde vergleicht die logDice-Profile zweier ähnlicher Wörter direkt gegeneinander.
Die Quellen
Alle Korpora fließen in das Wortprofil ein. Für den Textbeleg-Index gilt zusätzlich: Die historischen Archivkorpora werden erst ab dem Erscheinungsjahr 1830 und mit Qualitätsfilter herangezogen (ältere Sprachstufen sind für Spielende schwer zugänglich); die mittelhochdeutschen und frühneuhochdeutschen Referenzkorpora sowie die Gerichtsentscheidungen bleiben ganz außen vor.
Gesamt: 3,45 Mrd. Tokens aus 18 Korpora
| Korpus | Inhalt | Lizenz | Tokens | Quelle |
|---|---|---|---|---|
| Wikipedia (dewiki) | Freie Enzyklopädie – Artikelfließtext, 2,26 Mio. Artikel | CC BY-SA 4.0 | 980 Mio. | Wikimedia Foundation |
| Wortschatz-Korpus Leipzig | Zeitungsnachrichten (deu_news, deu_newscrawl) | CC BY | 535 Mio. | Universität Leipzig |
| Bundestag-Protokolle (DIP) | Plenarprotokolle des Deutschen Bundestags (XML + PDF). Die Daten sind bei dip.bundestag.de kostenfrei verfügbar. | Datenlizenz Deutschland BY 2.0 | 289 Mio. | dip.bundestag.de |
| Entscheidungen der Bundesgerichte | BVerfG, BGH (inkl. Strafsachen 20. Jh.), BVerwG, BPatG, BAG, BFH · nur Wortprofil | CC0 1.0 (amtliche Werke) | 311 Mio. | German Commons |
| German Political Speeches Corpus | Politische Reden (Bundesregierung, 1984–2019) | CC BY-SA | 11 Mio. | Zenodo 3611246 |
| Gesetze im Internet | Bundesgesetze und -verordnungen | Gemeinfrei § 5 UrhG | 19 Mio. | gesetze-im-internet.de |
| Wikibooks auf Deutsch | Freie Lehr- und Sachbücher | CC BY-SA 3.0 | 28 Mio. | Zenodo 8081095 |
| Wikivoyage auf Deutsch | Freier Reiseführer | CC BY-SA 3.0 | 17 Mio. | Zenodo 7568517 |
| DiBiLit | Digitale Bibliothek Literatur (Belletristik, 19.–20. Jh.) | CC BY-SA 4.0 | 93 Mio. | Zenodo 5786725 |
| Der Neue Pitaval | Kriminalgeschichten (1842–1890) | CC BY-SA 4.0 | 6 Mio. | Zenodo 6682897 |
| Reichstagsprotokolle | Stenographische Berichte des Deutschen Reichstags (1867–1942) | CC BY-SA 4.0 | 250 Mio. | German Commons |
| DiBiPhil | Digitale Bibliothek Philosophie | CC BY-SA 4.0 | 13 Mio. | German Commons |
| Deutsches Textarchiv – Kernkorpus & Erweiterungen (zwei Korpora, gemeinsam ausgewiesen) | Belletristische, wissenschaftliche und Gebrauchstexte (15.–20. Jh.) · Belege ab 1830 | CC BY-SA 4.0 | 312 Mio. | deutschestextarchiv.de |
| DTA Sondersammlungen | Edition Humboldt Digital, Jean-Paul-Briefe, Dinglers Polytechnisches Journal, Patiententexte, Novellenschatz, Soldatenbriefe, Stimm-los · Belege ab 1830 | CC BY-SA 4.0 | 81 Mio. | DTA GitHub |
| GEI-Digital | Historische Schulbücher (17.–20. Jh.) · Belege ab 1830 | Public Domain | 501 Mio. | Zenodo 15729290 |
| Referenzkorpus Frühneuhochdeutsch | Frühneuhochdeutsche Texte (1350–1650) · nur Wortprofil | CC BY-SA 4.0 | 3 Mio. | Ruhr-Universität Bochum |
| Referenzkorpus Mittelhochdeutsch | Mittelhochdeutsche Texte (1050–1350) · nur Wortprofil | CC BY-SA 4.0 | 3 Mio. | Ruhr-Universität Bochum |
Die Tabelle hat 17 Zeilen für 18 Korpora: Kernkorpus und Erweiterungen des Deutschen Textarchivs sind zwei eigenständige Korpora, deren Tokenzahlen hier gemeinsam ausgewiesen werden. Tokens gezählt als Leerzeichen-getrennte Wortformen (inkl. Interpunktion); Stand August 2026. Jeder angezeigte Beleg nennt zusätzlich sein einzelnes Quelldokument, die Korpus-Zitation und die Lizenz. Die aus diesen Korpora abgeleitete Kollokationsdatenbank steht wegen der enthaltenen Share-alike-Korpora unter CC BY-SA 4.0. Die Wikimedia-Inhalte (Wikipedia, Wikibooks, Wikivoyage) stammen von der Wikimedia Foundation und ihren Autorinnen und Autoren; Änderungen: Aus den Artikeltexten wurden Einzelsätze extrahiert und statistisch ausgewertet.
Die Bedeutungsangaben und die Lautschrift zu den Stichwörtern stammen nicht aus den Korpora, sondern aus dem deutschsprachigen Wiktionary und seinen Autorinnen und Autoren. Sie stehen unter CC BY-SA 4.0. Änderungen: Aus dem Bedeutungsabschnitt der jeweiligen Seite wurden die einzelnen Lesarten übernommen, das Wikitext-Markup entfernt und die Anzeige auf die ersten Einträge gekürzt. In der App und im Archiv verweist jeder Eintrag auf die Wiktionary-Seite des Stichworts.
Literatur