Playground-Hilfe

1. Worum es geht

Der Playground erweitert die Korpussuche um drei Säulen: Erstens die Mehr-Lemma- und Kookkurrenz-Suche – mehrere Lemmata gleichzeitig suchen und prüfen, wie nahe sie im Text zusammenstehen. Zweitens die sechs durchsuchbaren Authority Files – Autor*innen, Werke, das Wörterbuch, die Begriffstaxonomie, Gattungen und Eigennamen. Drittens zwölf TEI-Analysewerkzeuge über dem vorgeladenen Korpus, von der Wortfrequenz bis zum Reim-Wörterbuch.

Die Oberfläche ist forschungsorientiert: etwas dichter, mit mehr Bedienelementen als die Korpussuche. Wenn Sie nur nach einem einzigen Wort suchen wollen, ist die Korpussuche der schnellere Weg.

2. Der Drei-Spalten-Aufbau

Der Playground arbeitet in drei Schritten, die auch räumlich abgebildet sind:

Korpus-Browser (links) – alle 667 Texte sind standardmäßig aktiv. Hier schränken Sie die Analyse auf bestimmte Werke, Autor*innen oder Gattungen ein.
Abfragen (Mitte) – sechs Authority-File-Einstiegspunkte plus zwölf TEI-Analysewerkzeuge: Multi-Lemma-Suche, Lemmasuche nach Versposition, Wortfrequenz-Analyse, Echte Hapaxlegomena, Text-Statistiken, Lemma-Verteilung, Begriffs-Verteilung, Textvergleich, Kookkurrenz-Ranking, Reim-Wörterbuch, Versendings-Profil und Erweiterte Figurenbezeichnungen (Beta).
Ergebnisse (rechts) – die Trefferliste zur aktuellen Abfrage, mit farbkodiertem Highlighting und Klick-Navigation in die Leseansicht.

Beim ersten Besuch lädt der Playground den Korpus-Index (rund 40 MB) und den Authority-Index (rund 3 MB) einmalig in den Browser-Cache. Das dauert je nach Verbindung einige Sekunden bis eine Minute. Bei späteren Besuchen liest der Playground direkt aus dem lokalen Cache, solange Sie ihn nicht über Website-Daten löschen im Footer entfernen.

3. Multi-Lemma-Suche

Die Multi-Lemma-Suche ist das Kernstück des Playgrounds. Sie öffnet einen Dialog, in den Sie mehrere Lemmata eingeben – als Wort oder als Lemma-ID.

Lemmata eingeben

Getrennt durch Komma oder Plus-Zeichen, zum Beispiel: brôt, wîn oder 879 + 7532. Auch ein einzelnes Lemma ist erlaubt. Jedes eingegebene Lemma erscheint als entfernbarer Chip – so sehen Sie sofort, was die Suche berücksichtigt.

Die dreistufige Variantenauflösung aus der Korpussuche gilt auch hier: exakter Treffer im Wörterbuch, dann Prüfung gegen 234.243 normalisierte Schreibvarianten, dann als Fallback der Wortanfang in beide Richtungen. Sonderzeichen (â, ê, î, ô, û, ä, ö, ü, dazu die Breve-Umlaute ŏ und ŭ aus der Wenzelsbibel) werden automatisch normalisiert. Seit Juli 2026 greift der Fallback nur am Wortanfang, nicht im Wortinneren. Für Komposita ist deshalb die Wortbestandteil-Suche im Lemmata-Explorer zuständig: sie findet lantwîn über den Bestandteil wîn.

Eine Ausnahme gibt es: Wer über den Knopf Belege suchen aus dem Lemmata-Explorer kommt, hat dort ein bestimmtes Lemma angeklickt. Dann wird nicht die Schreibform aufgelöst, sondern genau dieses Lemma gesucht. Das ist der Unterschied, der bei gleich geschriebenen Lemmata zählt: sin, wal, mal und de stehen mehrfach im Wörterbuch, und die Auflösung über die Schreibform nimmt davon immer den häufigsten Eintrag. Insgesamt betrifft das 993 der 43.879 Lemmata. Im Chip steht weiterhin die Schreibform, festgelegt ist nur, welches Lemma gemeint ist; tippen Sie denselben Begriff von Hand nach, gilt wieder die normale Auflösung.

Suchmodus wählen

Nähe-Analyse Empfohlen

Findet Belegstellen, an denen die gesuchten Lemmata innerhalb eines einstellbaren Wortabstands zusammen vorkommen – eine Kookkurrenz (zwei oder mehr Lemmata, die im Text in geringem Abstand zusammenstehen). Der Standardwert von 10 hat sich bewährt; einstellbar von 1 bis 50. Gezählt wird der Abstand in annotierten Tokens, also in Wortformen mit Lemma-Zuordnung: Wörter ohne Zuordnung zählen nicht mit, das Fenster ist im Text also etwas breiter als die Zahl. Das gilt für alle Abstandsangaben auf dieser Seite. Ideal für Fragen wie: „In welchen Passagen stehen minne und herze eng zusammen?"

Im selben Vers

Die syntaktisch engste Variante: findet nur Verse, in denen alle gesuchten Lemmata gemeinsam innerhalb einer Verszeile stehen. Ideal für Formel- und Kollokationsfragen wie: „Wo steht rôt unmittelbar bei munt im selben Vers?" Funktioniert nur in Versdichtung (rund 90 % des Korpus); Prosa-Texte haben keine Verszeilen und bleiben außen vor. Jeder Treffer nennt die Versnummer im Text.

Dokument-Suche

Listet alle Texte auf, die sämtliche angegebenen Lemmata irgendwo enthalten – unabhängig vom Abstand. Ideal für Fragen wie: „Welche Texte behandeln sowohl triuwe als auch zwîvel?" Das Ergebnis ist dokumentbasiert, nicht stellenbasiert.

Ergebnisse und Farbcodierung

Jedes Lemma bekommt eine eigene Farbe. In der Trefferliste sehen Sie die Belegstelle mit Kontext und farblich hervorgehobenen Lemmata. Ein Klick auf einen Treffer öffnet die Leseansicht der Hauptseite mit allen Lemmata in denselben Farben und springt direkt zur Fundstelle.

4. Lemmasuche nach Versposition

Findet ein einzelnes Lemma, das genau am Versanfang oder Versende steht. Eine direkte Antwort auf mediävistische Fragen wie: „Wie oft reimt Wolfram auf minne?" oder „Welche Wörter dominieren das Versende im Parzival?"

Wie es funktioniert

Lemma eingeben (Wort wie minne oder Lemma-ID).
Position wählen: Versanfang oder Versende (Default: Versende, weil der Reim-Use-Case häufiger ist).
Auf Suchen klicken.
Die Trefferliste zeigt jeden Text mit den Treffern an der gewählten Position, daneben den Anteil an allen Vorkommen im Text (z.B. „54%" heißt: jedes zweite Vorkommen des Lemmas im Text steht am Versende).

Was die Position bedeutet

Die Funktion arbeitet auf der <l>-Auszeichnung des TEI-Korpus, also auf jeder vom Editions-Layout vorgegebenen Verszeile. „Versanfang" ist das erste annotierte Wort einer <l>, „Versende" das letzte. Wortpositionen außerhalb von <l> (etwa in Kapitelüberschriften, Marginalia oder Notizen) gelten weder als Anfang noch als Ende.

Anwendungsbereich: Die Funktion wirkt nur in Versdichtung (600 von 667 Texten, rund 90 % des Korpus). Prosa-Texte ohne <l>-Auszeichnung werden automatisch übersprungen und tauchen in den Ergebnissen nicht auf.

Beispiel: Reimpaare in AGS

Eine Stichprobe der ersten zehn Versenden in der Spruchsammlung AGS zeigt klare AABB-Reimpaare: gân / begân, bant / bekant, mûzære / gewære, rote / nota, jâr / hâr. Wer Reimwort-Vorkommen sucht, kommt auf diesem Weg direkt zu den Belegstellen.

Die Position-Spalte in den Ergebnissen ist auch ein Indikator für reimgetriebene Wortwahl: ein Lemma mit hohem Versende-Anteil (60 %+) steht überwiegend am Reim, eines mit niedrigem Anteil (unter 10 %) ist eher semantisch motiviert positioniert.

5. Weitere TEI-Analyse-Werkzeuge

Neben der Multi-Lemma-Suche und der Lemmasuche nach Versposition bietet der Bereich TEI-Textanalyse zehn weitere Werkzeuge über dem vorgeladenen Korpus. Alle rechnen vollständig im Browser auf den vorgebauten Indexen; wo es sinnvoll ist, führt ein Klick auf ein Ergebnis direkt in die Leseansicht.

Wortfrequenz-Analyse

Listet die häufigsten Lemmata über das gesamte Korpus oder einen einzelnen Text (Top-N). Ein POS-basierter Stoppwort-Filter entfernt häufige Funktionswörter (Artikel, Pronomen, Präpositionen, Konjunktionen) und hebt inhaltstragende Lemmata hervor. Die Tabelle zeigt je Lemma die absolute und die relative Frequenz (pro 1.000 annotierte Tokens); sortiert wird wahlweise nach der absoluten oder der relativen Frequenz.

Text-Statistiken

Pro Text: Token-Zahl, Lemma-Diversität (verschiedene Lemmata zur Gesamtzahl), Hapax-Rate und durchschnittliche Lemma-Frequenz, als sortierbare Korpus-Tabelle. Hohe Lemma-Diversität bei knappem Text ist ein Indikator für lexikalischen Reichtum. Über Checkboxen lässt sich ein Subset bilden („Nur Auswahl anzeigen"); die Auswahl übersteht das Sortieren.

Lemma-Verteilung

Zeigt ein einzelnes Lemma als Balkendiagramm über alle Texte: die Top-N als Balken, der Rest als aufklappbare Tabelle. Wahlweise absolut oder relativ (pro 1.000 annotierte Tokens). Ein Klick auf einen Balken oder eine Sigle öffnet die Leseansicht mit Highlighting.

Begriffs-Verteilung

Wie die Lemma-Verteilung, aber begriffsbasiert: Sie geben einen Begriff ein (deutsch, englisch oder als concept_-ID) und sehen das Balkendiagramm über alle Texte. Aggregiert werden alle Lemmata, deren Bedeutungen dem Begriff zugeordnet sind (Datenpfad Begriff → Bedeutungen → Lemmata → Texte). Ein Autocomplete schlägt passende Begriffe vor, alternative Kandidaten werden angezeigt (etwa bei „love" → Intimität und Liebe/Zuneigung); eine aufklappbare Liste der zugeordneten Lemmata erlaubt die Validierung der Auswahl.

Textvergleich

Vergleicht zwei über Dropdown gewählte Texte und berechnet drei Lemma-Mengen: nur in A, in beiden, nur in B – je mit Frequenz in A, Frequenz in B und der absoluten Differenz. Sortier- und filterbar, mit A↔B-Swap für die gespiegelte Perspektive. Nützlich für Fragen wie „Welche Lemmata teilt der Parzival mit dem Jüngeren Titurel?" oder zur Suche nach geteilten seltenen Lemmata als Lehnvers-Indiz. Ein Klick auf eine Frequenz-Zahl öffnet den jeweiligen Text in der Leseansicht.

Kookkurrenz-Ranking

Beantwortet die Frage „Welche Lemmata stehen am häufigsten bei X?". Sie geben ein einzelnes Lemma ein und erhalten eine rangierte Tabelle der häufigsten Nachbar-Lemmata innerhalb eines Kontextfensters (±3 bis ±25 Wörter, Standard ±10). Der POS-Filter steht standardmäßig auf Inhaltswörtern (Nomen, Verben, Adjektive, Adverbien), damit Funktionswörter die Liste nicht dominieren; alternativ nur Nomen, nur Verben, nur Adjektive oder alle. Ein Klick auf ein Partner-Lemma öffnet dessen Lemma-Seite; über den separaten Link „→ Belege" je Zeile landen beide Lemmata im Nähe-Modus der Multi-Lemma-Suche.

Kookkurrenz-Ranking vs. Nähe-Analyse: Beide drehen sich um Wortumgebungen, beantworten aber verschiedene Fragen. Das Kookkurrenz-Ranking geht von einem einzigen Lemma aus und rankt ungerichtet, welche anderen Lemmata in seiner Umgebung am häufigsten auftauchen – es entdeckt die Partner für Sie. Die Nähe-Analyse der Multi-Lemma-Suche (Abschnitt 3) setzt dagegen voraus, dass Sie die Lemmata bereits kennen, und prüft nur, an welchen Stellen sie nah zusammenstehen.

Reim-Wörterbuch

Beantwortet die Frage „Welche Lemmata reimen sich auf X?". Sie geben ein Lemma ein (optional eingeschränkt auf einen Text oder eine Autorin bzw. einen Autor) und erhalten eine rangierte Tabelle der Reimpartner-Lemmata: Lemmata an unmittelbar benachbarten Versenden (Paarreim-Annahme), deren normalisierte Form im Auslaut übereinstimmt – etwa muot : guot oder tugent : jugent. Je Partner werden die Texte mit Paarzahl angezeigt; „→ Belege" klappt die gezählten Verspaare direkt in der Tabelle auf – jeweils beide Verse mit hervorgehobenen Reimwörtern am Versende und Sprung in die Leseansicht. Die Heuristik ist strukturell und lemma-basiert: Kreuzreime (ABAB) und rein klangliche Übereinstimmungen jenseits der Schriftform entgehen ihr; Prosatexte werden ignoriert.

Versendings-Profil

Zeigt die häufigsten Lemmata am Versende – für das Gesamtkorpus, eine Autorin bzw. einen Autor oder einen einzelnen Text. Damit lassen sich Reim-Stile vergleichen: Was reimt Wolfram bevorzugt, was Hartmann? Neben der absoluten Zahl der Versende-Belege nennt die Tabelle den Anteil an den annotierten Versen des gewählten Bereichs sowie den Reim-Druck: den Anteil der Vorkommen eines Lemmas, die am Versende stehen. Ein Lemma mit 70 % Ende-Anteil ist stark reimgetrieben, eines mit 5 % eher semantisch motiviert. Der Funktionswort-Filter blendet Pronomen, Artikel und Hilfsverben aus. Wie alle Vers-Werkzeuge wertet das Profil nur Versdichtung aus (rund 90 % des Korpus); Prosa-Texte werden übersprungen.

Echte Hapaxlegomena

Listet Lemmata, die im gesamten Korpus nur einmal belegt sind (wählbar auch Frequenz ≤ 2 oder ≤ 3), mit Fundort samt Versangabe und Sprung in die Leseansicht. Wichtig zur Einordnung: Hier zählt die korpusweite Gesamtfrequenz eines Lemmas; die Hapax-Rate der Text-Statistiken zählt dagegen Lemmata, die innerhalb eines einzelnen Texts nur einmal vorkommen. Filter gegen Eigennamen (gut ein Viertel aller Hapaxe), gegen Zahlwörter und gegen Funktionswörter sowie eine Wortarten- und eine Anfangsbuchstaben-Facette grenzen die Liste ein. Die ersten drei Filter sind beim Öffnen aktiv. Beim Zahlwort-Filter ist der Grund: dass „ahtundsibenzechundert" nur einmal vorkommt, sagt etwas über die Textlänge und nichts über den Wortschatz. Ausgeblendet werden dabei nur Lemmata, deren einzige Wortart NUM ist; Wörter mit Zahlbezug und weiterer Wortart (etwa „zwispeltic" als Adjektiv und Zahlwort) bleiben stehen. Wer die Zahlwörter sehen will, nimmt den Haken heraus oder wählt in der Wortart-Facette gezielt NUM, was den Filter aufhebt. „Details" prüft je Eintrag über das Wörterbuchnetz, ob das Lemma in einem von fünf Wörterbüchern verzeichnet ist: MWB, Lexer, Lexer-Nachträge, Benecke/Müller/Zarncke und Findebuch. So lässt sich abschätzen, ob ein echtes mhd. Hapax oder nur ein Korpus-Hapax vorliegt. Bleibt die Zeile leer, nennt der Hinweis die geprüften Wörterbücher beim Namen – der Negativbefund gilt immer nur für diese fünf. Der zweite Tab „Beitrag pro Text" zeigt, welche Texte die meisten Raritäten enthalten (absolut und pro 1.000 annotierte Tokens); der CSV-Export übergibt die gefilterte Liste an die Redaktion oder eigene Auswertungen. Achtung: Unlemmatisierte Tokens sind im Index unsichtbar, und Hapaxe sind nicht selten schlicht Lemmatisierungsfehler – das Werkzeug ist damit zugleich ein Kuratierungsinstrument.

Erweiterte Figurenbezeichnungen Beta

Kuratierte Bezeichnungspraktiken jenseits des Eigennamens für vier Werke (Eneasroman, Iwein, Rolandslied, Trojanerkrieg) aus Linda Beutel-Thurows Dissertationsprojekt Naming-analysis. Pro Figur sind die Terme nach Kategorien gegliedert: Eigennamen, Antonomasien („der rîter" für Iwein) und Epitheta („der küene"), je mit Häufigkeit und aufklappbaren Belegstellen samt Versangabe und Sprecher (Erzähler, Figurenrede oder Selbstnennung). Dazu kommt der Deckname, der die Figur wie ein Name benennt, ohne ihr Name zu sein: er erscheint nur dort, wo er kuratiert vorliegt, derzeit für Alexander als Deckname des Paris im Trojanerkrieg. Für Rolandslied und Trojanerkrieg verlinken die Versangaben direkt in die Leseansicht. Die Daten sind mit sichtbarer Attribution und DOI eingebunden.

Über Perspektive lässt sich die Blickrichtung umdrehen. In der Voreinstellung Benannte Figur wählen Sie eine Figur und grenzen darunter ein, wer sie benennt: der Erzähler, sie selbst, die Figurenrede insgesamt oder eine einzelne nennende Figur. Unter Nennende Instanz wählen Sie umgekehrt einen Nenner, und die Terme stehen nach der genannten Figur gruppiert. Damit lassen sich Fragen wie „Welche Benennungen für wen verwendet Iwein im Iwein?" direkt beantworten. Der Erzähler steht dabei als eigener Nenner zur Auswahl, und die Selbstnennungen einer Figur zählen zu ihr als Nenner.

In der Nennerliste tragen manche Einträge ein vorangestelltes # oder stehen in eckigen Klammern. Diese Notation stammt aus der Quelle und markiert eine Instanz, die keine handelnde Figur des Werks ist: eine unbestimmbare Menge (#haiden, [MENGE]) oder eine nur zitierte Person (#David, im Rolandslied vom Erzähler angeführt, ohne selbst zu handeln).

6. Typische Forschungsfragen

Damit die abstrakten Modi greifbarer werden: vier Fragen, die häufig an die MHDBDB gestellt werden, und wie Sie sie im Playground bearbeiten.

Kookkurrenz-Analyse

„In welchen Passagen stehen minne und herze eng zusammen?"

Multi-Lemma-Suche · Nähe-Analyse · Abstand 10 Wörter · minne, herze. Die Trefferliste zeigt jede Belegstelle mit Kontext, Farbcodierung pro Lemma.

Thematische Kopräsenz auf Dokumentebene

„Welche Texte behandeln sowohl triuwe als auch zwîvel?"

Multi-Lemma-Suche · Dokument-Suche · triuwe, zwîvel. Das Ergebnis listet die Werke auf, in denen beide Lemmata vorkommen – egal wo.

Begriffsnetzwerk erkunden

„Welche Lemmata fallen unter den Begriff Tugend?"

Authority-Ansicht Begriffe · nach Tugend suchen · im Detaileintrag stehen alle Lemmata, die der Begriffstaxonomie nach darunter fallen. Von dort können Sie direkt in die Korpussuche springen.

Gattungsbasierte Korpusselektion

„Welche Werke sind der Gattung Sangspruch zugeordnet?"

Authority-Ansicht Gattungen · nach Sangspruch suchen · die Werkliste im Detaileintrag zeigt alle zugeordneten Texte. Diese Auswahl können Sie als Ausgangspunkt für eine gefilterte Multi-Lemma-Suche übernehmen.

7. Experimentelle Forschungsdaten

Diese Rubrik bündelt kuratierte Datensätze aus anderen Forschungsprojekten, die mit dem MHDBDB-Korpus verknüpft sind. Sie stammen nicht aus unserer Erschließung, sondern aus Qualifikationsarbeiten und Studien Dritter, und sie beantworten Fragen, die unsere eigene Annotation nicht stellt. Alle Einträge sind als Beta gekennzeichnet: die Datensätze sind exemplarisch, nicht flächendeckend, und decken jeweils nur wenige Werke ab. Wer sie zitiert, zitiert die jeweilige Urheberin, nicht die MHDBDB. Die Angaben dazu stehen unter jeder Ansicht.

Erweiterte Figurenbezeichnungen

Wie eine Figur benannt, umschrieben (Antonomasie) und charakterisiert (Epitheton) wird, für vier Werke aus dem Dissertationsprojekt Naming-analysis von Linda Beutel-Thurow. Wählen Sie ein Werk und eine Figur; die Tabelle zeigt jeden Term mit seinen Belegstellen und der Angabe, wer ihn ausspricht: Erzähler, eine andere Figur oder die Figur selbst.

Arthurische Pferde

346 Belegstellen zu 13 Pferden aus Willehalm, Parzival, Erec, Iwein und Tristan, nach der exemplarischen Auszeichnung von Luise Borek. Wählen Sie ein Pferd; die Tabelle zeigt jede Stelle mit dem Wortlaut und dem, was dort ausgezeichnet ist: das Ereignis (Einführung, Kampf, Pflege, Verlust, Übergabe), Eigenschaften wie Farbe und Abzeichen, die Ausrüstung sowie Besitzer und Reiter. Über die Ereignis-Schaltflächen filtern Sie die Belege.

Zu den Stellenangaben: Angegeben ist immer Boreks Zitation, denn sie ist die zitierfähige Referenz. Ihre Textgrundlage ist aber nicht dieselbe wie unsere, und bei neun der 346 Belege fällt die Verszahl deshalb auseinander. Diese Stellen sind über den Wortlaut zugeordnet und mit einem Sternchen markiert; der Link führt trotzdem an die richtige Stelle im Text.

Die Sammlung wächst. Wer einen Datensatz beisteuern möchte, der sich auf Verse unseres Korpus bezieht, findet die Anforderungen unter Daten beitragen.

8. Authority Files im Einsatz

Sechs Authority-Ansichten öffnen je einen Einstiegspunkt in die kontrollierten Vokabulare. Hier steht, wann welche Ansicht nützlich ist. Die technische Beschreibung der Dateien (Größe, Struktur, Provenienz) steht unter Daten → Acht Authority Files.

Autor*innen – Einstieg, wenn Sie bei einer Person beginnen: „Welche Werke sind Walther von der Vogelweide zugeschrieben?" Von dort öffnen Sie jedes Werk direkt im Reading View.
Werke – Einstieg, wenn Sie bei einem Text beginnen: Sigle, Autor*in, Editionen und Handschriftenzeugen im Überblick. Nützlich, um mehrere Editionen eines Werks zu vergleichen.
Lemmata – Einstieg, wenn Sie ein Wort nachschlagen wollen, bevor Sie suchen: Wortart, Bedeutungen und Belegzahl auf einen Blick. Jeder Treffer hat einen Knopf Belege suchen, der genau dieses Lemma an die Multi-Lemma-Suche übergibt. Enthält zusätzlich die Wortbestandteil-Suche für Komposita-Recherche.
Begriffe – Einstieg für semantische Recherche: von einem Konzept (z.B. Tugend) zu allen zugeordneten Lemmata absteigen.
Gattungen – Einstieg für gattungsbasierte Korpusselektion.
Namen – Einstieg für onomastische Fragen: Eigennamen mit semantischen Relationen.

Tipp: Die Authority-Ansichten arbeiten unabhängig von der Texteauswahl links. Sie können also den gesamten Namensraum durchsuchen, selbst wenn Sie die spätere TEI-Analyse auf wenige Texte einschränken wollen.

Wortbestandteil-Suche im Lemmata-Explorer

Der Lemmata-Explorer hat zwei Modi. Lemma suchen findet Lemmata zu einer Schreibform, so wie die Korpussuche. Wortbestandteil suchen beantwortet die umgekehrte Frage: welche Bildungen gibt es überhaupt zu einem Grundwort? Gesucht wird gegen die Lemmaliste, nicht gegen den Korpus. Das Ergebnis ist also eine Wortschatz-Übersicht, keine Belegliste. Mindestens drei Zeichen.

Die Treffer sind danach gruppiert, wo der Bestandteil steht, weil davon der Erkenntniswert abhängt:

Am Wortende – der Bestandteil ist das Grundwort. Hier stehen die Determinativkomposita, etwa ôsterwîn, ziperwîn und lantwîn zu wîn.
Am Wortanfang – der Bestandteil bestimmt ein anderes Grundwort näher, etwa wînrebe oder wînhûs.
In der Wortmitte – startet zugeklappt, weil hier die meisten Zufallstreffer liegen.

Gesucht wird auf der normalisierten Form, angezeigt wird die Originalform. Die Eingabe „wein“ wird über die Variantenliste auf das Lemma wîn geführt und sucht dann den Bestandteil „win“. Der Kopf der Trefferliste nennt beide Formen, damit nachvollziehbar bleibt, warum wîn unter der Eingabe „wein“ erscheint. Geben Sie den Bestandteil unflektiert ein: die Brücke greift nur bei belegten Schreibformen, „weine“ führt also nicht auf wîn.

Was der Zeichenvergleich nicht kann: Er vergleicht Zeichenfolgen, nicht Wortbildung. „win“ trifft deshalb auch winter, gewinnen und winden, und die Komposita auf -swîn (Schwein) stehen neben denen auf -wîn (Wein). Zwei Dinge helfen beim Aussortieren: die Wortart in der Trefferzeile (Eigennamen wie Baldewîn tragen NAM) und die Markierung belegte Wortbildung.

Diese Markierung kommt aus dem Wörterbuch selbst: rund 62 Prozent der Lemmata führen im Lexikon ihre morphologischen Bestandteile mit, ôsterwîn etwa als ôstern plus wîn. Trifft einer dieser Bestandteile das gesuchte Grundwort, ist der Treffer eine verzeichnete Wortbildung und kein Zufall. Das trennt genau die Fälle, die der Zeichenvergleich nicht auseinanderhält: wiltswîn führt swîn, nicht wîn, und winter führt gar nichts. Die Checkbox Nur belegte Wortbildungen blendet alles andere aus. Für die übrigen gut 38 Prozent ohne verzeichnete Wortbildung bleibt der Zeichenvergleich der einzige Zugang, deshalb ist er die Voreinstellung.

Interessante Treffer lassen sich ankreuzen und gesammelt an die Multi-Lemma-Suche übergeben. Damit bleiben Wortschatz-Recherche und Belegsuche getrennt, aber verbunden. Mehrere übergebene Lemmata werden dort UND-verknüpft, es werden also Texte gesucht, die alle Gewählten enthalten.

9. Vom Playground in die Leseansicht

Der typische Forschungsworkflow verbindet Playground und Korpussuche:

Im Playground eine Multi-Lemma-Suche starten.
Eine interessante Kookkurrenz in der Trefferliste auswählen.
Klick auf das Ergebnis – die Korpussuche öffnet sich in einem neuen Tab.
Der Text ist geladen, alle Lemmata sind farblich hervorgehoben, die Ansicht scrollt automatisch zur Fundstelle.
Im Reading View weiterlesen, zwischen Belegen springen, Metadaten aufklappen.

So bleiben Analyse und Lektüre getrennt: der Playground liefert die Korpusstatistik, die Korpussuche den Volltext im Kontext.