• 1. Einleitung
• 2. Generalisierungen in Theorie und Operationalisierung
• 2.1 Generizität und Quantifikation
• 2.2 Operationalisierungsansätze von Generizität und Quantifikation im Überblick
• 2.3 Operationalisierung von Generalisierungen in fiktionalen Erzähltexten
• 3. Annotation
• 3.1 Tagset und Anwendungsregeln
• 3.2 Korpus, Workflow und Agreement
• 4. Automatische Erkennung
• 4.1 Merkmale
• 4.2 Modelle und Algorithmen
• 4.2.1 Regelbasierter GenTagger
• 4.2.2 Statistischer GenTagger
• 5. Evaluation und Diskussion
• 6. Fazit und Ausblick
• Danksagungen
• Bibliographische Angaben
• Abbildungs- und Tabellenverzeichnis

2.1 Generizität und Quantifikation

[6]Mit generischen Aussagen ist es möglich, über eine Klasse von Dingen oder Individuen gleichzeitig etwas auszusagen, entweder durch auf diese Art oder Gattung referierende Nominalphrasen (NPn) wie in Beispiel (2) oder auf Satzebene – in diesem Fall ist die Rede von charakterisierenden oder generischen Sätzen.[9] Diese teilen sich in entweder lexikalisch-charakterisierende Aussagen über Fakten (vgl. (3)) oder habituell-charakterisierende Aussagen über wiederkehrende Ereignisse auf (vgl. (4)). Beide Formen können auch im selben Satz auftreten (vgl. (3)).
(2) Löwen fressen Fleisch. (NP ›Löwen‹ referiert auf Gattung)(3) Ein Löwe hat eine Mähne. [10] (lexikalisch-charakterisierend, kombiniert mit generisch verwendeter NP)(4) John trinkt nach dem Essen ein Bier. (habitueller Satz)
Allen diesen generischen Aussagen ist gemein, dass eindeutige Indikatoren für ihre generalisierende Lesart an der Satzoberfläche fehlen. Aus diesem Grund sind die aufgeführten Aussagen in der Regel ambig: Die indefinite Plural-NP Löwen in (2) ist eine Form, die zwar häufig generische Lesarten auslöst, aber auch spezifisch verwendet werden kann:
(5) Die Schließanlage im Zoo ist kaputt. Es sind Löwen ausgebrochen. (spezifische Verwendung)
Ebenso verhält es sich mit Massennomen im Singular. Nur in (6), nicht aber in (7) wird Gold generisch verwendet:
(6) Gold glänzt.(7) Die Bank wurde ausgeraubt und es wurde Gold gestohlen.
Auch definite und indefinite NPn im Singular können generisch oder spezifisch interpretiert werden. Oft ist der Kontext der ausschlaggebende Faktor dafür, ob eine generische Lesart vorliegt, vgl. (8)–(10):
(8) Ein Löwe hat eine Mähne. (Indefinite NP, löst standardmäßig eine generalisierende Lesart aus)(9) Der Löwe hat eine Mähne. (Definite NP, generalisierende Lesart je nach Kontext möglich)(10) Ein Vater erklärt seinem Kind Eigenschaften von Wildtieren. Er sagt: Der Elefant hat einen Rüssel. Der Löwe hat eine Mähne. (Kontext triggert generalisierende Lesart)(11) Ein Vater und sein Kind stehen im Zoo vor dem Löwenkäfig. Der Vater fragt das Kind, welches der Tiere eine Mähne hat. Das Kind zeigt auf den männlichen, ausgewachsenen Löwen und sagt: Der Löwe hat eine Mähne. (Kontext triggert eine spezifische Lesart)
Diese Beispiele illustrieren die hohe Kontextabhängigkeit generischer Interpretationen; anhand der sprachlichen Formen einer NP allein lässt sich noch nicht sicher bestimmen, ob diese NP generisch interpretiert wird oder nicht. Die Theorie der generalisierten Quantoren vorausgesetzt, nehmen wir an, dass charakterisierende und quantifizierte Sätze dieselbe dreiteilige Struktur aufweisen, die aus einem Quantor (Q), einem Restriktor (R) und einem nuklearen Skopus (S) besteht,[11] wobei jeder Bestandteil einen bestimmten eigenen Bedeutungsbeitrag leistet. Der Quantor allerdings muss in natürlichsprachlichen Sätzen nicht zwingend an der Satzoberfläche ablesbar sein. Dies ist insbesondere bei generischen Sätzen der Fall. Wir erläutern diese Struktur an einem Beispiel:
(12) Jede Wissenschaftlerin ist klug.
Ein Quantor kann als eine Relation zwischen zwei Mengen aufgefasst werden. Demnach drückt jede in (12) die Relation zwischen der Menge der Wissenschaftlerinnen und der Menge der klugen Personen aus. Dabei legt er fest, dass die Menge der Wissenschaftlerinnen vollständig in der Menge der klugen Personen enthalten ist, also eine Teilmenge der klugen Personen bildet. Die NP Wissenschaftlerin stellt den Restriktor des Quantors jede dar und beschreibt die Teilmenge, über die etwas ausgesagt wird: die Menge aller Wissenschaftlerinnen. Das Prädikat ist klug bildet den (nuklearen) Skopus des Quantors, wodurch die Eigenschaft, die dieser Menge zugeschrieben wird, erfasst ist. In Beispielen wie (12) sind Q, R und S noch recht leicht oberflächennah zu erkennen, bei Satzmaterial aus Erzähltexten wird sie ungleich komplexer, wie in Abschnitt 2.3 gezeigt wird.

[7]Sowohl mit quantifizierten als auch mit generischen Äußerungen können Generalisierungen ausgedrückt werden. Das mitunter größere Interesse, auch in der computerlinguistischen Forschung, liegt auf generischen Aussagen, da diese nicht durch Indikatoren an der Satzoberfläche gekennzeichnet und damit schwerer formal zu beschreiben und automatisch zu erkennen sind. In der Narratologie wiederum ist nicht klar, welche Formen von Generalisierungen prominenter in fiktionalen Texten sind oder welche Formen mit welchen Funktionen im Text eher korrelieren. Eine Einschränkung auf den einen oder den anderen linguistischen Forschungsschwerpunkt ist daher zum jetzigen Zeitpunkt nicht sinnvoll.

2.2 Operationalisierungsansätze von Generizität und Quantifikation im Überblick

[8]Es existiert eine beträchtliche Anzahl an Annotationsschemata, die dazu dienen sollen, quantifizierte oder generische Ausdrücke zu markieren. Ein Großteil dieser Vorschläge bezieht sich ausschließlich auf generische NPn[12] und arbeitet entsprechend mit einer limitierten Anzahl an Tags. So annotieren Friedrich et al. 2015, ob das Subjekt eines Satzes generisch auf eine Art oder Klasse referiert, und wenn ja, ob der umliegende Satz eine charakterisierende oder spezifische Aussage über diese Klasse trifft. Entsprechend dieser Unterteilung nutzen sie ein dreiteiliges Tagset:

[9]Tagset von Friedrich et al.:

• GEN; gen: generischer Satz mit generischem Subjekt
• NON-GEN; non gen: nicht-generischer Satz mit nicht-generischem Subjekt
• NON-Gen; gen: nicht generischer Satz mit generischem Subjekt

[10]Durch die Fokussierung auf generische Subjekte werden Sätze mit generischen Objekten, aber nicht-generischen Subjekten aus der Erhebung ausgeschlossen, obwohl auch in diesen Generalisierungen vorliegen können, wie Beispiel (13) illustriert:
(13) John mag Kaffee.
Friedrich / Pinkal widmen sich der automatischen Erkennung von habituellen Sätzen anhand des lexikalischen Aspekts des Vollverbs.[13] Dieser Ansatz ist strikt linguistisch motiviert: Der Aspekt des Vollverbs eines Satzes (dynamisch oder statisch) bestimmt den Aspekt des Satzes. Hat das Vollverb eines Satzes dynamischen Aspekt, kann dieser entweder auf habituelle oder episodische Sätze hindeuten. Statische Verben hingegen führen üblicherweise zu statischen Sätzen. Je nach Aspekt verändert sich die Funktion eines Satzes im (narrativen) Diskurs, so werden generische Sätze üblicherweise mit Erzählpausen assoziiert.[14]

[11]Schließlich stellen Friedrich et al. 2016 auch ein integriertes Vorgehen vor, um generische NPn und habituelle Ausdrücke simultan zu annotieren und automatisch zu erkennen.[15] Das Ziel ihres Ansatzes ist die automatische Erkennung sogenannter situation entity types (SE types). Darunter fallen neben Ereignissen und Fakten auch sogenannte generative states, die einerseits generische Äußerungen und andererseits habituelle Äußerungen sein können. Bei der Annotation auf Satzebene wird der main referent, üblicherweise das Subjekt, als generisch oder nicht-generisch klassifiziert. Zudem wird das Vollverb hinsichtlich des lexikalischen Aspekts (dynamisch oder statisch) annotiert. Je nach Ergebnis werden dann die Tags generic sentence, generalizing sentence, state oder event vergeben.[16] Die Problematik, Sätze mit nicht-generischen Subjekten aber generischen Objekten (vgl. (13)) durch die Annotation auszuschließen, bleibt hier zwar bestehen, kann aber durch die Klasse state aufgefangen werden.

[12]Insgesamt ist die automatische Erkennung von Generalisierungen also nicht nur mit der automatischen Erkennung von generischen NPn oder Habitualität, sondern durch die Erkennung von (lexikalischem) Aspekt auch mit der Identifikation von temporalen Strukturen in Erzähltexten verknüpft. Nach unserer Kenntnis ist bis heute noch kein Versuch unternommen worden, Generalisierungen spezifisch in deutschsprachigen fiktionalen Erzähltexten zu erkennen. Wie sich in diesem Abschnitt herausgestellt hat, ist der Großteil der vorhandenen Ansätze computerlinguistisch ausgerichtet und bezieht sich meist auf faktuale Textsorten wie Zeitungstexte, (Online-) Lexikoneinträge und dergleichen. Außerdem wird überwiegend mit englischsprachigen Texten gearbeitet. Eine direkte Übertragung dieser Ansätze auf deutschsprachige fiktionale Texte ist nicht ohne Weiteres möglich – die Gründe hierfür werden im folgenden Abschnitt diskutiert.

2.3 Operationalisierung von Generalisierungen in fiktionalen Erzähltexten

[17]Die im vorangegangen Abschnitt erläuterten Tagsets sind computerlinguistisch motiviert und daher auf bestimmte semantische oder syntaktische Formen begrenzt. Da für uns nicht von vornherein klar ist, welche Formen von Generalisierungen für narratologische Fragestellungen relevant sind, ist ein solches ausschließlich an der Form orientiertes Vorgehen im Fall fiktionaler Erzähltexte ungeeignet. Es bestünde die Gefahr, einen Teil generalisierender Aussagen aus der Erhebung von vornherein auszuschließen und damit das Forschungsziel zu verfehlen. Hinzu kommt die Schwierigkeit, dass die hier vorgestellten Tagger auch auf älteren Sprachstufen bzw. nicht-kanonischen Ausdrucksweisen operieren können müssen, wenn auch diachrone narratologische Forschungsfragen beantwortet werden sollen.

[18]Die drei zentralen Herausforderungen für die Annotation von Generalisierungen lassen sich wie folgt umreißen: Die erste Schwierigkeit besteht darin, dass der Tagger Generalisierungen in Texten erkennen können muss, die ab 1600 veröffentlicht wurden. Speziell in den älteren Texten treten nicht nur typische lexikalische Ausdrücke und syntaktische Konstruktionen der jeweiligen Sprachstufen auf, sondern darüber hinaus lässt sich auch eine höhere Zahl an komplexen, teils mehrfach rekursiv eingebetteten Sätzen beobachten. Das ist nicht nur der Struktur des Deutschen geschuldet, sondern auch ein Charakteristikum fiktionaler Erzähltexte. In diesen Texten im Detail Restriktor, Skopus und Quantor zu identifizieren und adäquat zu annotieren, ist eine anspruchsvolle und zeitintensive Aufgabe, die auch ein hohes Maß an (linguistischem) Training für die Annotator*innen beansprucht. Dies sei anhand des Beispiels (14) kurz illustriert:

[19](14) Wenn Luciane, meine Tochter, die für die Welt geboren ist, sich dort für die Welt bildet, [...]; wenn sie durch Freiheit des Betragens, Anmut im Tanze, schickliche Bequemlichkeit des Gesprächs sich vor allen auszeichnet und durch ein angebornes herrschendes Wesen sich zur Königin des kleinen Kreises macht, wenn die Vorsteherin dieser Anstalt sie als kleine Gottheit ansieht, die nun erst unter ihren Händen recht gedeiht, die ihr Ehre machen, Zutrauen erwerben und einen Zufluß von andern jungen Personen verschaffen wird, wenn [...]: so ist dagegen, was sie schließlich von Ottilien erwähnt, nur immer Entschuldigung auf Entschuldigung [...].[17]

[20]Die durch wenn eingeleiteten konditionalen Nebensätze in Beispiel (14) fungieren augenscheinlich als Restriktoren für den durch so eingeleiteten Nebensatz und damit für nur eine Skopus-Einheit. Es ist allerdings unklar, ob hier quantifizierte Aussagen aneinandergereiht werden oder ob die einzelnen Restriktoren eine Einheit bilden.

[21]Zweitens ist es in der jetzigen Untersuchungsphase zu früh, schon im Vorhinein abschließend festzulegen, welche Formen von Generalisierungen für die narratologischen Fragestellungen im Zuge einer quantitativen Datenerhebung relevant würden. Vorrangig scheint vielmehr zu sein, Indikatoren für Generalisierungen an der Satzoberfläche aufzuspüren und einen Umgang für die Fälle zu finden, in denen mehrere konkurrierende Marker zugleich auftreten. So kommt es in fiktionalen Texten gehäuft vor, dass syntaktische Strukturen mehrere Lesarten auslösen:
(15) Wer ein Übel los sein will, der weiß immer, was er will.[18]
Hier liegt einerseits eine Generalisierung über Personen vor, die ein Übel loswerden wollen und andererseits über die Situationen, in denen sie das Übel loswerden wollen, nämlich immer. Welche der beiden Generalisierungen über die andere regiert, ist ambig und die Auflösung dieser Ambiguität ist für die automatische Erkennung nicht von zentralem Interesse. Eine linguistisch exakte Annotation wäre in solchen Fällen zeitaufwändig und fehleranfällig.

[22]Drittens ist, wie bereits erläutert wurde, nicht nur der Überfluss von Markern an der Satzoberfläche eine Herausforderung, sondern auch die koverte Markierung von Generalisierungen etwa durch generische NPn.
(16) Die Landleute haben die rechten Kenntnisse; ihre Mitteilungen aber sind konfus und nicht ehrlich. Die Studierten aus der Stadt und von den Akademien sind wohl klar und ordentlich, aber es fehlt ihnen an der unmittelbaren Einsicht in die Sache.[19]
In (16) wird eine Aussage über die Gruppe von Landleuten und die Gruppe von Studierten gemacht. Diesen beiden Gruppen werden zugleich prototypische Eigenschaften zugeschrieben. Ein overter Quantor findet sich aber weder beim Subjekt noch beim Prädikat – nichtsdestotrotz ist eine generalisierende Lesart möglich.

[23]Kurz zusammengefasst muss ein Tagset, das Generalisierungen in fiktionalen Texten umfassend annotierbar macht und der Implementierung eines Taggers vorausgeht, folgenden Adäquatheitsbedingungen genügen. Einerseits muss die linguistische Komplexität der unterschiedlichen Auftretensformen im Tagset abgebildet werden können. Dabei sollten aber nicht allzu formale Kategorien angesetzt werden, welche die Komplexität der Annotation in fiktionalen Texten unverhältnismäßig erhöhten und auch dem Anspruch, sämtliche Generalisierungen in Texten erkennen zu können, nicht gerecht würden. Andererseits sollte das Tagset jedoch derart auf linguistische Parameter zurückführbar sein, dass es auch einer qualitativen Datenbetrachtung standhält.

3.1 Tagset und Anwendungsregeln

[25]Das Tagset erfasst mit dem Tag GI (für Generalisierende Interpretation), ob eine Passage eine Generalisierung ausdrückt, und mit diversen Subtags, welche Art der semantischen Quantifikation (universell, existenziell oder vage) vorliegt (vgl. Tabelle 1). Eine Passage besteht hierbei aus mindestens einem, möglicherweise mehreren aufeinanderfolgenden Teilsätzen. Weil Teilsätze somit die kleinste annotierbare Einheit darstellen, sprechen wir im Folgenden von einer Annotation auf Teilsatzebene. Die Annotation auf Teilsatzebene ermöglicht die Gratwanderung zwischen einer aus linguistischer Perspektive verwertbaren Annotation und einer Konzentration auf Oberflächenmerkmale, die für die Implementierung des Taggers zielführend ist. Auf diese Weise werden quantifizierte Aussagen in ihrem breiten Spektrum erfasst und gleichzeitig zeitökonomisch annotiert.

[26]Das Tagset ist wie folgt aufgebaut: Die Subtags ALL, MEIST und EXIST korrespondieren mit Quantoren aus der formalen Logik, die an der Satzoberfläche mit einer Reihe von Lexemen ausgedrückt werden können.[20] Beim Subtag ALL handelt es sich meist um Lexeme wie immer oder jede*r , jedes:
(17) Gedenken wir nur des Kalks, [der zu allen Säuren eine große Neigung, eine entschiedene Vereinigungslust äußert]_{GI ALL}![21]
Beim Subtag MEIST kommen Lexeme wie meist oder meistens vor, die sich auf mehr als die Hälfte der bezeichneten Menge beziehen:
(18) [...]; [aber es sind meistenteils unbewußte Erinnerungen glücklicher und unglücklicher Folgen, die wir an eigenen oder fremden Handlungen erlebt haben]_{GI MEIST}.[22]
Das Subtag EXIST umfasst generalisierende Passagen, die sich auf die Existenz der Individuen einer Klasse beziehen und durch Prädikate der Existenz wie geben und existieren markiert werden.[23]
(19) [Aber es gibt dergleichen noch, es muß dergleichen geben oder doch wieder geben]_{GI EXIST}.[24]
Das Subtag DIV fängt alle vagen Quantoren auf, insbesondere also Quantifikationen, die durch Adverbien wie manchmal, häufig, gelegentlich, selten ausgelöst werden. Diese unterscheiden sich von den anderen natürlichsprachlichen Quantoren dadurch, dass ihre Wahrheitsbedingungen nicht präzise beschreibbar sind.
(20) [Unsere vortreffliche Vorsteherin läßt mich gewöhnlich die Briefe lesen, in welchen sie Beobachtungen über ihre Zöglinge den Eltern und Vorgesetzten mitteilt]_{GI DIV}.[25](21) »Es betrifft unsern Freund, den Hauptmann,« antwortete Eduard. »Du kennst die traurige Lage, [in die er, wie so mancher andere, ohne sein Verschulden gesetzt ist]_{GI DIV}.«[26]
Zusätzlich kann das Tagset nicht-overte Quantifikation mit dem Subtag BARE erfassen. Dieser kann etwa im Fall von generischen Subjekten oder generischen Objekten gesetzt werden, also dann, wenn keine Quantifikation an der Satzoberfläche identifizierbar ist.
(22) [Die Landleute haben die rechten Kenntnisse]_{GI BARE}; [ihre Mitteilungen aber sind konfus]_{GI BARE} [und nicht ehrlich]_{GI NEG}. [Die Studierten aus der Stadt und von den Akademien sind wohl klar und ordentlich, aber es fehlt an der unmittelbaren Einsicht in die Sache]_{GI BARE}.[27](23) [Die Männer denken mehr auf das Einzelne, auf das Gegenwärtige]_{GI BARE};[28]
Das Subtag NEG umfasst sämtliche generalisierte und negierte Aussagen, unabhängig von der syntaktischen Struktur. Die syntaktische Struktur kann deshalb interessant sein, weil mit unterschiedlichen syntaktischen Positionen von Negationen verschiedene Skopen von Negationen einhergehen. Daher bestimmt die Syntax, was genau in einem Satz negiert wird; der Quantor oder (Teile vom) Restriktor oder Skopus. Da diese informationsstrukturellen Unterscheidungen für die automatische Erkennung von generalisierenden Aussagen nicht relevant sind, wird jede generalisierende Aussage, die eine Negation enthält, mit dem Subtag NEG annotiert. In diesem Fall überschreibt NEG alle möglichen anderen Annotationen.
(24) [Unanfechtbare Wahrheiten gibt es überhaupt nicht]_{GI NEG}[29]
Zudem gelten bestimmte Regeln zum Annotationsverfahren, die Mehrfachannotationen und ambige Fälle betreffen. So kann es vorkommen, dass in derselben Passage auf verschiedene Weisen generalisiert wird. Im folgenden Beispiel wird sowohl über Zeiträume (immer) als auch existenziell über Zank und Streit generalisiert. Da hier konkurrierende Generalisierungsarten vorliegen, müssen zwei Subtags vergeben werden.
(25) [[Es gibt doch bloß immer Zank und Streit]_{GI ALL}]_{GI EXIST}[30]
Eine wichtige Ausnahme bildet hier das Subtag BARE. BARE wird ausschließlich in den Fällen vergeben, in denen keine anderen Subtags vergeben werden können:
(26) [Der Heilige Vater liebt seine Untertanen gleichmäßig]_{GI BARE}. (fikt. Bsp.)
In (27) wird allerdings sowohl über Päpste (Der Heilige Vater) als auch über alle Untertanen generalisiert. Deshalb wird hier nur ALL gesetzt.(27) [Der Heilige Vater liebt alle seine Untertanen gleichmäßig]_{GI ALL}[31]
Finden sich zwei Generalisierungen in der gleichen Passage, die beide mit demselben Tag annotiert werden würden, wird nicht doppelt annotiert. Im folgenden Beispiel fallen Jeder Heilige Vater und alle seine Untertanen beide in die Kategorie ALL:
(28) [Jeder Heilige Vater liebt alle seine Untertanen gleichmäßig]_{GI ALL} (fikt. Bsp.)
Neben den Subtags stellt das Tagset die Möglichkeit bereit, eine Passage als ambig zu markieren. Ist in einem Beispiel wie (9) nicht eindeutig zu bestimmen, ob die Aussage generalisierend oder spezifisch gemeint ist, kann dieses Subtag gesetzt werden.

[27]Wie eingangs erwähnt, ermöglicht die Annotationspraxis auf Teilsatzebene die Einbeziehung aller Quantifikationsformen in natürlicher Sprache und ermöglicht zugleich ein zügiges Annotationsprozedere. Das dargestellte Vorgehen unterscheidet sich aber auch in wesentlichen Punkten von bereits bestehenden Annotationspraktiken in der Forschung zu Generizität und Quantifikation, die in Abschnitt 2.2 erläutert worden sind. Der wesentlichste Unterschied besteht darin, dass kein linguistisches Training für die Annotierenden nötig ist, etwa Restriktor, Skopus und Quantor auseinanderzuhalten. Zur Illustration der verschiedenen Vorgehensweisen sei hier ein Beispiel aus Goethes Die Wahlverwandtschaften anhand des Annotationsschemas von Friedrich et al. und unserem Konzept vergleichend analysiert.[32] Das Schema von Friedrich et al. (2016) bietet sich für einen Vergleich insbesondere deshalb an, weil ebenfalls primär intuitiv auf Satzebene annotiert wird und dadurch die verschiedenen Formen von Generizität erfasst werden, nämlich generische NPn und habituelle Äußerungen.
(29) [Das Bewusstsein ist keine hinlängliche Waffe, ja, manchmal eine gefährliche für den, der sie führt]_{GENERIC SENTENCE}.[33]
Der main referent des Satzes, hier die Subjekt-NP Das Bewusstsein , würde als generische NP identifiziert werden. Das Verb sein hat statischen lexikalischen Aspekt, entsprechend würde der gesamte Satz als Generic Sentence klassifiziert werden.[34] Die Negation verändert hier nicht den situation entity type des Satzes, weil sie sich nur auf die Subjekt-NP bezieht.[35] Das Annotationsprozedere ist damit elegant und in diesem Satz niedrigschwellig anwendbar. Insbesondere in älteren fiktionalen Texten kommt aber die Problematik hinzu, dass Verben hinsichtlich ihres Aspekts klassifiziert werden müssten, die im aktuellen Sprachgebrauch nicht mehr vorkommen. Es ist daher mitunter schwierig, den lexikalischen Aspekt abzuleiten, der einen ausschlaggebenden Hinweis für die Klassifikation als generisch gibt. Zudem zeigt das Temporaladverb manchmal im zweiten Teilsatz die Habitualität an. Diese Information geht durch die Art der Annotation verloren. Generalisierungen kommen in vielfältigen Formen vor, daher ist es eine Priorität für uns, verschiedene Lesarten durch die Annotation und später durch den Tagger erfassen zu können. Vergleichend sei nun gezeigt, welche Tags mit unserem Tagset vergeben werden:
(30) [Das Bewusstsein ist keine hinlängliche Waffe]_NEG, [ja, manchmal eine gefährliche für den, der sie führt]_DIV.[36]
Der erste Teilsatz besteht aus einer definiten generischen NP und einem diese NP charakterisierenden Prädikat. Würde keine Negation in diesem Teilsatz stehen, qualifizierte sich dieser Teilsatz als BARE; da aber eine Negation vorliegt und Negation alle anderen Subtags überschreibt, wird das Subtag NEG vergeben. Der zweite Teilsatz wird mit dem Subtag Divers (DIV) versehen, weil das Adverb manchmal eine habituelle Generalisierung über eine vage Anzahl an Situationen ausdrückt.

3.2 Korpus, Workflow und Agreement

[32]Wie in der Einleitung geschildert, soll der Generalisierungstagger in allen Texten von 1600 bis 1950 Generalisierungen automatisch erkennen können. Entsprechend muss das Tagset auf Texten erprobt werden, die diesen Zeitraum und seine verschiedenen stilistischen und sprachlichen Eigenheiten repräsentieren. Das Gesamtkorpus besteht aus ausschließlich originär deutschsprachiger Erzählliteratur, von dem eine Teilmenge an Texten als Annotationskorpus genutzt wird. Jede*r Autor*in im Annotationskorpus ist durch einen Text vertreten. Im Korpus enthalten sind Romane, Novellen, Erzählungen und epische Versdichtungen mit sowohl Ich- (homodiegetischen) als auch Er- (heterodiegetischen) Erzählinstanzen. Die genaue Auswahl kann Tabelle 2 entnommen werden.

[33]Um der Repräsentationsfunktion für das Gesamtkorpus gerecht zu werden, werden die Annotationstexte zunächst nicht komplett annotiert, sondern auf die ersten 200 Sätze beschränkt. Der Nachteil unserer Auswahl ist zunächst, dass ohne den Rückgriff auf eine automatische Erkennung eine Betrachtung generalisierender Passagen werkimmanent erst nach fertiger Entwicklung der Tagger möglich sein wird. Es überwiegen aber die Vorteile – so sind die Annotationen nicht auf eine kleinere Menge von Texten beschränkt, erfassen dadurch mehrere Autor*innen und demzufolge eine größere Breite literarischer Epochen und Genres. Außerdem ist es so möglich, unterschiedliche Entwicklungsstadien der Sprache, von der Frühen Neuzeit an, zu berücksichtigen.

[34]Wir annotieren Generalisierungen mittels kollaborativer Annotation im webbasierten Tool CATMA 6.[37] Das Best-Practice-Modell von Gius / Jacke dient als Orientierung bei der Besprechung und Qualitätsprüfung der erstellten Annotationen.[38] Die bereits annotierten Texte sind unter dem Titel MONACO[39] in einem GitLab-Repository publiziert.

[35]Bisher wurden mit dem Tagset 17 Texte aus dem Annotationskorpus annotiert, die in der Regel jeweils von zwei Annotierenden zu bearbeiten sind. Für jede Annotierendenkombination berechnen wir Fleiss’ Kappa[40] basierend auf übereinstimmenden Tokens bzw. auf übereinstimmenden Teilsätzen. Bei überlappenden Annotationen wird ein Token bzw. ein Teilsatz nur dann als Übereinstimmung gewertet, wenn beide Annotierende die überlappenden Tags gesetzt haben.

[36]Im Mittel über alle Texte wird ein überzeugendes Agreement von 0,62 (Tokenebene) bzw. 0,63 (Teilsatzebene) erreicht. Die deutlichen Schwankungen (z. B. Schnabel Die Insel Felsenburg mit 0,22 bzw. Fontane Der Stechlin mit 0,91, vgl. Tabelle 2) sind präsumtiv neben den individuellen Fähigkeiten der Annotierenden auch auf die unterschiedliche Komplexität der literarischen Texte sowie auf die zugrundeliegende Sprachstufe zurückzuführen.

[37]Bisher wurden für zehn der Texte Goldstandards auf Basis der Erstannotationen erstellt. Hierbei gehen zwei Adjudikator*innen (aus der Gruppe der promovierenden Autor*innen dieses Aufsatzes) erneut die Erstannotationen durch, diskutieren die annotierten Textstellen und erstellen eine Expert*innenannotation, welche dann als Goldstandard genutzt werden kann. Neben der Beseitigung von Unachtsamkeitsfehlern in der Erstannotation hat die Adjudikation auch die Aufgabe, prävalente Lesarten von mehrdeutigen oder vagen Aussagen festzustellen (oder, in Einzelfällen, Aussagen als linguistisch ambig zu markieren, falls keine prävalente Lesart festzustellen ist).

4.1 Merkmale

[39]Das wichtigste Merkmal von Generalisierungen sind Quantoren und quantifizierende Ausdrücke wie jede*r , alle , immer und dergleichen. Diese bestimmen die Klasse, in die Teilsätze mit den entsprechenden Quantoren fallen, beispielsweise in die Klasse ALL:
(31) [Jede Sache will gelernt sein]_{GI ALL}[41](32) [Ebenso pünktlich liefen darauf auch jedesmal kurze Antwortschreiben ein]_{GI ALL}, die dem lieben Freund und geschätzten Gelehrten dankten.[42]
Wir organisieren die entsprechenden Quantoren und quantifizierenden Ausdrücke in einem Wörterbuch mit Lemma-Subtag-Paaren (z. B. jede : ALL). Entsprechend können ganze Teilsätze, in denen sie vorkommen, dem entsprechenden Subtag zugeordnet werden. Eine Ausnahme davon bilden Phrasen, die mit deiktischen Ausdrücken auf konkrete Objekte, Personen, Zeiten oder Orte referieren, weil in diesen Fällen keine Generalisierungen vorliegen können. Um quantifizierte Ausdrücke mit einer deiktischen Referenz ausschließen zu können, wurde eine Liste mit deiktischen Markern erstellt.

[40]Wie bereits oben erläutert wurde, sind wir mit dem Problem der koverten Quantifikation konfrontiert, die mit dem Subtag BARE gekennzeichnet ist. Einerseits bieten sich NPn im Plural für den Ausdruck von Generalisierungen an:
(33) [Regentropfen vereinigen sich gern zu Strömen]_{GI BARE}[43]
Andererseits können auch definite NPn Generalisierungen markieren, sowohl im Plural als auch im Singular:
(34) [Der Räuber kann sehr leicht mein Opfer werden, und ein süß schmeckendes]_{GI BARE}[44]
Und auch der unbestimmte Artikel mit Nomen im Singular kann generalisierend verwendet werden.
(35) [Aber ein Narr steckt sie [tausend Mark] in den Strumpf]_{GI BARE}, sagen die Wirklichkeitsmenschen, [und ein Tüchtiger schafft etwas mit ihnen]_{GI BARE};[45]
Insgesamt sind Artikel, sowohl bestimmte als auch unbestimmte, aber wenig verlässlich. Endgültig kann nur der Kontext disambiguieren, ob eine definite oder indefinite NP generalisierend oder spezifisch verwendet wird. Diese Unterscheidung ist in einem regelbasierten System nicht umsetzbar. Wir haben festgestellt, dass die Suche nach NPn im Plural ohne Artikel am wenigsten Fehler verursacht.

[41]Verbalphrasen (VPn) können auch generalisierend sein. In diesem Fall handelt es sich meistens um habituelle Äußerungen, die durch Adverbien wie täglich , oft oder überall markiert werden. Außerdem gibt es Verben, die eine generalisierende Bedeutung haben. Das sind zum einen Verben der Existenz, wie existieren und geben:
(36) [Aber es gibt leidenschaftliche Räuber]_{GI EXIST}[46]
Und zum anderen Verben, die über Situationen generalisieren, wie pflegen zu:
(37) [Dann pflegen besonders friedliche Zeiten zu kommen]_{GI BARE}[47]
Eine weitere für Generalisierungen relevante Kategorie des Verbs ist gnomisches Präsens, also ein Präsens ohne zeitliche Bedeutung. Unter der (simplifizierenden) Annahme, dass das Präsens in fiktionalen Texten meistens keine Handlung ausdrückt, kann der Tagger nach einzelnen Teilsätzen in dieser Zeitform suchen. Eine konkrete Ausnahme ist die direkte Rede, die zwar oft im Präsens steht, aber nicht ohne Weiteres als Merkmal für gnomisches Präsens gewertet werden kann. Ebenso verhält es sich mit dem historischen oder szenischen Präsens, also einem Präsens, das aus stilistischen Gründen für vergangene Geschehnisse verwendet wird, und typischerweise mehrere Teilsätze im Präsens aufeinander folgen lässt:
(38) Von außen ist eigentlich nur ein großes Loch sichtbar, dieses führt aber in Wirklichkeit nirgends hin, schon nach ein paar Schritten stößt man auf natürliches festes Gestein.[48]
Darüber hinaus können auch bestimmte syntaktische Strukturen auf Generalisierungen hindeuten. Komplexe Sätze der Formen wenn … dann oder wer … der sind in der Regel generalisierend. Solche Strukturen können einfach in einem regelbasierten Tagger implementiert werden.
(39) [Wenn es aber Wirklichkeitssinn gibt, und niemand wird bezweifeln, dass er seine Daseinsberechtigung hat, dann muss es auch etwas geben, das man Möglichkeitssinn nennen kann]_{GI EXIST}[49](40) [Wer unter solchen Umständen was Besseres sagen will, sagt immer was Schlechteres]_{GI ALL}[50]
Im Folgenden wird beschrieben, wie die beschriebenen Merkmale in den beiden Taggern eingesetzt werden.

4.2 Modelle und Algorithmen

Abb. 1: Textverarbeitungskomponenten für verschiedene sprachliche Ebenen: Ein Text durchläuft die einzelnen Komponenten von links nach rechts und von oben nach unten. [Gödeke et al. 2022]

[42]Für die Implementierung der Textverarbeitungskomponenten wurde die Open-Source-Bibliothek spaCy[51] benutzt. Dem Generalisierungstagger (GenTagger) selbst sind eine Reihe von Komponenten vorgeschaltet, um linguistische Merkmale zu extrahieren (vgl. Abbildung 1). Da sich im Korpus teilweise Texte mit zeitspezifischer Schreibvariation befinden, ist die erste Komponente ein auf dem Deutschen Textarchiv[52] trainierter Normalisierer. Es folgen Lemmatisierer, Wortartentagger, Eigennamenerkenner (NER) und Satzerkenner, welche bereits im vortrainierten spaCy-Modell für das Deutsche enthalten sind. Als Nächstes folgen Dependenzparser, Wortformtagger (morphologische Analyse), Teilsatzerkenner und Verbformtagger (Teilsatzanalyse) aus Dönicke.[53] Als Letztes kommen ein Direkte-Rede-Tagger, der Text zwischen öffnenden und schließenden Anführungszeichen erkennt, sowie ein Koreferenzierer, der erkennt, wenn zwei verschiedene sprachliche Ausdrücke sich auf dieselbe Entität beziehen; bei diesem handelt es sich um eine Reimplementierung des Algorithmus aus Krug et al., der so erweitert wurde, dass nicht nur Figurenentitäten, sondern alle Eigennamen, NPn und Pronomina in die Koreferenzresolution einbezogen werden.[54][55]

4.2.1 Regelbasierter GenTagger

[43]Da zu Beginn der Arbeit weder Trainings- noch Testdaten vorlagen, wurde zunächst ein regelbasierter GenTagger entwickelt. Als Entwicklungsdatensatz dienten hierzu die ersten vier Kapitel aus Goethes Die Wahlverwandtschaften. Der Algorithmus wird in Abbildung 2 skizziert.

Abb. 2: Regelbasierter GenTagger. [Gödeke et al. 2022]

[44]Zunächst werden Generalisierungen auf Teilsatzebene gesucht (2–18), indem nach Quantor-Restriktor-Kombinationen gesucht wird. Dabei werden drei mögliche Fälle unterschieden:

[45]Wenn ein overter Quantor im Teilsatz vorkommt, ist der Restriktor die nächste übergeordnete NP oder VP (5–7). Lemma-Subtag-Paare (z. B. immer : ALL) werden dabei in einem manuell erstellten Wörterbuch gespeichert, wie in Abschnitt 4.1 beschrieben wurde.

[46]Wenn eine Form von existieren oder es gibt im Teilsatz vorkommt, kommen als Restriktor alle direkt untergeordneten NPn in Frage. In diesem Fall ist das Subtag EXIST (8–10).

[47]Wenn eine generische NP oder VP im Teilsatz vorkommt, hat diese keinen overten Quantor und das Subtag ist BARE (11–13). Indikatoren für generische NPn und VPn werden durch eine Vielzahl von Regeln beschrieben, die auf die zuvor extrahierten und oben beschriebenen linguistischen Merkmale zurückgreifen.

[48]Für einen gefundenen Restriktor wird dann überprüft, ob er oder eine mit ihm koreferente NP einen deiktischen Ausdruck enthält (14–16). In diesem Fall referiert er mit hoher Wahrscheinlichkeit auf eine spezifische Entität und kommt somit nicht für eine Generalisierung in Frage. Andernfalls wird das entsprechende Subtag für den Teilsatz vorgemerkt. Wurde mindestens ein Subtag für den aktuellen Teilsatz gespeichert, wird eine Passage instanziiert, die aus genau diesem Teilsatz und den zugehörigen Subtags besteht (17–18).

[49]Als Nächstes werden bestimmte Teilsatztypen zu Passagen zusammengeführt. In diesem Schritt werden Relativ- und Konditionalsätze mit ihren übergeordneten Teilsätzen verbunden und ihre Subtags vereinigt. In einem letzten Schritt wird erneut über alle Passagen iteriert (20–24). Kommt ein Negationsmarker vor, werden die Subtags für diese Passage auf NEG reduziert. Kommen mehr als ein Subtag in der Passage vor, wird BARE ggf. entfernt. So wird sichergestellt, dass NEG und BARE nicht in Kombination mit anderen Subtags auftreten.

4.2.2 Statistischer GenTagger

[50]Nach Die Wahlverwandtschaften wurden bisher die ersten 200 Sätze von 9 weiteren Texten mit Goldstandards annotiert, was es ermöglicht, einen statistischen GenTagger zu trainieren und zu testen. Als Testdaten verwenden wir Wielands Geschichte des Agathon,[56] in welchem wir Generalisierungen von allen sechs statt der üblichen zwei Annotierenden annotieren ließen.

[51]Für den statistischen GenTagger lässt sich ein Klassifikationsproblem auf Teilsatzebene definieren. Obwohl sich generalisierende Passagen überlappen können und somit theoretisch mehrere Subtags pro Teilsatz möglich sind, kommt dieser Fall in der Praxis kaum vor, weshalb wir uns auf eine einfache 7-Klassen-Klassifikation (eine Klasse pro Subtag plus eine Klasse für nicht-generalisierende Teilsätze) beschränken. Tabelle 3 zeigt, dass die Verteilung der Klassen zudem extrem unausgeglichen ist. Einige wenige generalisierende Passagen sind linguistisch (d. h. syntaktisch, semantisch, pragmatisch etc.) ambig und können daher nicht eindeutig annotiert werden. Solche Fälle wurden im Goldstandard markiert und sowohl beim Training als auch beim Testen der GenTagger ausgeschlossen.

---

	Texte	Passagen	Teilsätze
			nicht-GI	BARE	NEG	ALL	DIV	EXIST	MEIST
Trainingsdaten	8	492	3316	421	197	175	94	23	5
Entwicklungsdaten	1	191	1262	206	81	76	25	5	2
Testdaten	1	45	794	37	40	27	15	3	3

---

Tab. 3: Größe der Trainings-, Entwicklungs- und Testdaten. [Gödeke et al. 2022]

[52]Da der regelbasierte Algorithmus einem Entscheidungsbaum ähnelt, wurde für die automatische Klassifikation ebenfalls ein Entscheidungsbaum[57] verwendet. Um einer Überanpassung an die Trainingsdaten entgegenzuwirken, wurde die maximale Baumtiefe auf 15 und die minimale Anzahl an Daten pro Blattknoten auf 2 gesetzt. Diese Werte haben sich auf den Entwicklungsdaten als gut erwiesen. Im Training wurde außerdem allen Klassen das gleiche Gewicht gegeben.

[53]Wir verwenden die gleichen Basismerkmale wie für den regelbasierten Tagger (vgl. Tabelle 4). Somit besitzt der Entscheidungsbaum die gleichen Grundlagen wie wir um Regeln zu formen. Ähnliche Merkmale wurden bereits von Reiter / Frank für die Erkennung generischer NPn extrahiert.[58] Zuerst werden Merkmale von allen NPn und VPn im Satz extrahiert. Diese werden zusätzlich zu neuen Merkmalen, z. B. ›(Subtag des Quantors : ALL, Numerus des NP-Kopfs : Plural, Artikel in NP? : nein)‹, kombiniert, die aus dem Subtag des Quantors und bis zu zwei weiteren Merkmalen bestehen. Das Maximum von drei Merkmalen hat sich auf den Entwicklungsdaten als optimal erwiesen. Auf Teilsatzebene werden hauptsächlich grammatikalische Eigenschaften wie z. B. Tempus extrahiert, um somit Phänomene wie das gnomische Präsens abzudecken. Da eine Passage aus mehreren Teilsätzen bestehen kann, wir aber nur Teilsätze klassifizieren, werden alle Merkmale nicht nur vom zu klassifizierenden Teilsatz extrahiert, sondern auch von seinen beiden Nachbarteilsätzen. Darüber hinaus werden noch einige Merkmale extrahiert, welche die Verknüpfung der benachbarten Teilsätze zum gefragten Teilsatz kennzeichnen, z. B. ob sie im gleichen Satz stehen. Es wurden außerdem eine Reihe von lexikalischen Merkmalen getestet, z. B. N-Gramme für die Teilsätze oder die Lemmata von Quantor und Restriktor; allerdings führten alle diese Erweiterungen zu einer niedrigeren Performanz auf den Entwicklungsdaten.

---

Ebene	Merkmale
NPn im Teilsatz	Tag des Quantors oder BARE, Wortart des Quantors oder BARE, Wortart des NP-Kopfs, Dependenzrelation des NP-Kopfs, Numerus des NP-Kopfs, Artikel in NP?, Zahlwort in NP?, spezifisch?
VPn im Teilsatz	Tag des Quantors oder BARE, Wortart des Quantors oder BARE, Wortart des VP-Kopfs, Häufigkeitsadverb in VP?, vager Mehrwortausdruck in VP?, spezifisch?
Teilsatz	Tempus, Aspekt, Modus, Genus verbi, Finitheit, pflegen zu in Teilsatz?, direkte Rede?, Negation in Teilsatz?, Konditionalsatz?, Relativsatz?
benachbarte Teilsätze	gleicher Satz?, direkt untergeordnet?, direkt übergeordnet?

---

Tab. 4: Merkmale für den statistischen GenTagger; Fragezeichen markieren Boole’sche Merkmale. [Gödeke et al. 2022]

Abb. 3: Die wichtigsten Merkmale des Entscheidungsbaum-GenTaggers. [Gödeke et al. 2022]

[54]Eine Inspektion des automatisch erstellten Entscheidungsbaums (vgl. Abbildung 3[59]) zeigt, dass zunächst Teilsätze mit den Merkmalen für MEIST, EXIST, NEG und ALL abgefragt werden, bevor nach Merkmalen für DIV, BARE und nicht-GI gesucht wird.

[55]Der zweite statistische GenTagger ist ein Zufallswald mit 100 Entscheidungsbäumen.[60] Da die statistischen GenTagger Teilsätze taggen, aber keine Passagen bestimmen, werden im Anschluss direkt aufeinanderfolgende Teilsätze mit dem gleichen Subtag zu Passagen verbunden. Dies dient lediglich der Weiterverarbeitung und hat keinen Einfluss auf die Evaluation, da die GenTagger ebenfalls auf Teilsatzebene evaluiert werden.