Dritte Sitzung - Form des Lexikons

Form des Lexikons

• Organisation und Zugriff (attributiert vs. tabellarisch)
• Auszeichnung (SGML-basierte vs. proprietäre Auszeichnung)
• Zeichensatzfragen (ASCII, ISO-8859-X, Unicode etc.)

Organisation und Zugriff

Tabellarisch: jeder Eintrag besteht aus einer festgelegten Sequenz von Feldern, wobei jedes Feld eine festgelegte Bedeutung hat. Der Zugriff erfolgt über die Feldnummer.

Vorteil: sehr einfache Verarbeitung.

Nachteile:

• unübersichtlich,
• unstrukturiert,
• eventuell redundant.

Attributiert: der Zugriff auf die verschiedenen Informationen im Eintrag erfolgt über Schlüssel (= Attributnamen), denen Werte zugeordnet sind; diese Werte können auch komplex (= geschachtelt) sein und verschiedene Datentypen enthalten.

Nachteil: aufwendigere Verarbeitung.

Vorteile:

• übersichtlich,
• weniger redundant,
• die Daten können in einer Art strukturiert werden, die den Charakter des zu beschreibenden Phänomens widerspiegelt.

7\Aas\6\M\1\Y\Y\Y\Aas\N\N\N\N\(Aas)[N]\N\N\N\N\S1/P1\Y
19\Abart\7\Z\1\Y\Y\Y\abart\V\N\N\N\(((ab)[V|.V],((Art)[N])[V])[V])[N]\N\N\N\N\S3/P3\N

[Surface: [Lemma: "aas"],
 Form: [POS: Substantive,
        Combi: [SgDecl: Sg_e_s,
                PluralSx: Pl_e,
                PlDatSx: yes],
        Syn: [Gender: Neuter]]];
[Surface: [Lemma: "abart"],
 Form: [POS: Substantive,
        Combi: [SgDecl: Sg_0,
                PluralSx: Pl_en],
        Syn: [Gender: Feminine]]];

Auszeichnung

SGML: Standard Generalized Markup Language; Metasprache zur Beschreibung von Dokumentbeschreibungssprachen; Beispiele: HTML, XML, PML, TEI.

TEI: Text Encoding Initiative; SGML-basierte Dokumentbeschreibungssprache für die Auszeichnung von Text; hat bereits Auszeichnungsformate für verschiedenste Textsorten, z.B.

• Prosa
• Lyrik
• Drama
• gespr. Sprache
• Wörterbücher
• ...

• SGML ist standardisiert ==> leichter Datenaustausch
• große Auswahl an bereits existierender Verarbeitungssoftware
• Mit Hilfe von SGML können Beschreibungssprachen für beliebige Phänomene erzeugt werden.

• Nachteil: erschwerter Datenaustausch (da kein standardisiertes Format).
• Vorteil: das proprietäre Format ist eventuell optimal an die verwendete Software angepaßt.

Zeichensatzfragen

• Intern werden im Computer alle Daten als Bitmuster (= Zahlen) kodiert.
• Welche Zahl wird welchem Buchstaben zugeordnet?
• ASCII: am weitesten verbreitete Kodierung; hat mehrere Mängel:
  • nur für die lateinische Schrift geeignet,
  • kodiert nur die 26 im Englischen gebräuchlichen Buchstaben.
• Daher existieren diverse Standards für die Kodierung anderer Sprachen.

Unicode ist der Versuch, möglichst alle Schriften möglichst aller Sprachen in einer Kodierung unterzubrigen. Dabei sind Aspekte zu beachten wie:

Direktionalität: Schreibrichtung Links nach Rechts, Rechts nach Links, Oben nach Unten, wechselnd, etc.

Zusammengesetzte Zeichen: Diakritika auf Basiszeichen (z.B. a + ¨ = ä; aus zwei oder mehr Teilzeichen zusammengesetzte Zeichen in Hangul (Koreanisch))

Andere Zeichen: Grafikzeichen (Rahmen etc.), diverse Sonderzeichen (z.B. Währungssymbole)

Zeichenanzahl: 16-Bit-Kodierung; daher potentiell 65536 Codepunkte; im Moment umfaßt Unicode ca. 38000 Zeichen