Wuertfrequenz am Lëtzebuergeschen

Et ass eng komplizéiert Affär, d’Heefegkeete vun engem Wuert an enger Sprooch – zouverlässeg – ze bestëmmen. Net nëmme brauch een en ëmfangräichen Text-Corpus, mee dee Corpus muss och ausbalancéiert sinn, d.h. verschidden Textzorten opweisen (geschwat/geschriwwen, formell/informell, asw.). Ënner Ëmstänn sinn nämlech jee no Textgenre d’Heefegkeeten anescht. Denkt un de Verglach vun Chat-Gespréicher mat Chambersrieden. Am Chat si méi Wierder fir den direkte Kommunikatiounskontakt ze fannen, wärend an de Rieden e méi breede Wuertschatz ze erwaarden ass. Eng Heefegkeetslëscht fir d’Lëtzebuergescht als Gesamtsprooch muss also dës Iwwerleeunge berücksichtegen. 

Den interene Corpus an eisem Institut (ca. 80 Millioune Wuertformen) besteet den Ament aus verschiddene Textgenrë mat engem Iwwergewiicht op formellen, schrëftlech konzipéierten Texter, wärend dat geschwatent Lëtzebuergescht aus dem Alldag manner vertrueden ass.

Eng virleefeg Heefegkeetslëscht kritt een, wann een einfach déi heefegst Wierder am Corpus zielt. Déi éischt 50 Wierder aus dësem Corpus weist déi folgend Tabell. 

Insgesamt fënnt ee virun allem déi sou genannte Funktiounswierder, d.h. Artikelen, Conjonctiounen, Hëllefsverben, Präpositiounen oder Pronomen.

Et ass evident, dass dës ‚réi‘ Lëscht vill Elementer enthält, déi d’Interpretatioun schwiereg maachen:

• Wierder mat applizéierter n-Regel gi separat gezielt (an an a)
• Schreifvarianten/Schreiffeeler gi separat gezielt
• Heefeg Ofkzierungen (lol aus dem Chat) an Nimm gi vum Programm wéi Wierder behandelt
• …

Et ass dowéinst néideg, d’Lëscht ze ‚botzen‘ (Merci un eise Masterstudent Benoît :-)), fir irrelevant Wierder erauszegeheien. An der folgender Lëscht sinn elo just Verben, Substantiver, Adjektiver an Adverben. Trotzdeem muss och déi Lëscht als relativ virleefeg betruecht ginn.