Door Jan Odijk

Clariah is een groot project dat de empirische basis voor digitaal geesteswetenschappelijk onderzoek wil faciliteren. In de CLARIAH-PLUS-aanvraag (p. 8) wordt gesteld: “The CLARIAH infrastructure will increase our empirical base, options for analysing […] data, and the efficiency of research by orders of magnitude (data-intensive science).”
Maar is dat ook echt zo?

Een treffende illustratie van de correctheid van deze claims wordt geleverd door Marten van der Meulen in een recente bijdrage aan Neerlandistiek.nl. Binnen een dag testte hij een vermoeden van Marc van Oostendorp over het onlangs door Geert Wilders gebruikte woord ‘difficulteren’, door het op te zoeken in meerdere corpora die de CLARIAH onderzoeksinfrastructuur de afgelopen jaren beschikbaar heeft gesteld.

‘increase our empirical base’:
Marten zocht in 6 corpora (Staten Generaal Digitaal, Corpus Gesproken Nederlands, Corpus Hedendaags Nederlands, Brieven als Buit Corpus, Sonar en in de corpora van Nederlab (waar het vooral voorkomt in Early Dutch Books Online). Het mooie is dat CLARIAH het zoeken in deze bronnen mogelijk maakt voor iedere geesteswetenschapper: je hoeft geen corpuslinguïst te zijn, je hoeft niet te kunnen programmeren, je hoeft geen corpora of software te downloaden. CLARIAH biedt webapplicaties met gebruikersvriendelijke interfaces die het zoeken in die corpora eenvoudig maken. Zie beneden voor links.

‘increase options for analysing … data’:
Deze bronnen maken het mogelijk te zoeken op lemma in plaats van op woordvormen, wat het zoeken en de analyse van de zoekresultaten een stuk makkelijker maakt en een groter aantal relevante data oplevert. Bovendien bevatten veel van de bronnen metadata zoals genre, tijd en plaats zodat ook snel bepaald kan worden waar, wanneer en in welke genres dit woord vaak of minder vaak voorkomt.

‘increase the efficiency of research’:
Marten deed dit onderzoek binnen 1 dag, iets wat vóór CLARIAH niet mogelijk was of hoogstens voor een selecte groep van corpuslinguïsten.

Natuurlijk kan je ook zoeken op het internet, via Google of op Twitter. Dat complementeert het zoeken in specifieke corpora, met name omdat de empirische basis dan nog veel groter is. Maar dan moet je alle woordvormen van dit werkwoord apart opzoeken en de analyse van de resultaten vergt meer (handmatig) werk, vooral omdat er nauwelijks relevante metadata zijn. Marten heeft ook met Google gezocht, maar hij heeft de analyse van de resultaten nog niet in die ene dag kunnen doen. Hij heeft ook gezocht in het Corpus of the Web (COW) voor het Nederlands, kleiner dan het hele internet maar nog steeds behoorlijk groot (7 miljard woorden), en er waren minder hits daar zodat ze nog verder geanalyseerd konden worden.

De zoekopdracht waar het hier om ging betreft een lemma van 1 woord, en dat is een vrij eenvoudige opdracht. Maar de CLARIAH-infrastructuur maakt het ook mogelijk om veel ingewikkelder zoekopdrachten te geven, met combinaties van woorden, woordparen met een grammaticale afhankelijkheidsrelatie, en volledige grammaticale constructies.

Mijn conclusie is dan ook dat CLARIAH faciliteert en de bovengenoemde claim nu al waarmaakt.

Dit blogbericht verscheen eerder op de website van Clariah