Das Corpus of Multilingual Medieval Archives, kurz CoMMA genannt, ist ein umfangreiches Corpus von mittelalterlichen Texten (über 3,3 Mrd. Wörter), das mittels automatischer Handschriftenerkennung erstellt wurden. Grundlage sind über 30.000 Handschriften in unterschiedlichen Sprachen. Das Projekt ist am Institut national de recherche en informatique et en automatique in Le Chesnay, Frankreich, angesiedelt.
Corpus Die Transkription der handschriftlichen Texte erfolgte automatisch mit Hilfe von eScriptorium und Kraken. Hinsichtlich der Texterstellung folgt CoMMA den im CATMuS-Projekt entwickelten Grundsätzen einer handschriftennahen, graphematischen Transkription.Thibault Clérice et al.: CoMMA, a Large-scale Corpus of Multilingual Medieval Archives. 2025. https://inria.hal.science/hal-05299220v1. Aufgerufen am 18. Juni 2026.Ariane Pinche et al.: CATMuS-Medieval: Consistent Approaches to Transcribing ManuScripts: A generalized set of guidelines and models for Latin scripts from Middle Ages (8th–16th century). DH2024, ADHO, Aug 2024, Washington DC, United States. https://inria.hal.science/hal-04346939 Die Grundsätze der 2026 aktualisierten Transkriptionsrichtlinie lauten: Es erfolgt keine Normalisierung der Orthographie und keine Auflösung von Abkürzungszeichen (z. B. Nasalstrich) und Abbreviaturen, Ligaturen (z. B. æ, œ, aber auch &) werden in der Regel aufgelöst, Allographe (z. B. rundes und langes s) werden nur durch je ein Zeichen wiedergegeben, die Zeichensetzung wird stark vereinfacht und die Zusammen- und Getrenntschreibung erfolgt handschriftennah. Auch i/j und u/v werden als Allographe betrachtet und daher als i bzw. u wiedergegeben. Damit werden insbesondere bei der Auflösung von Abkürzungen weitgehende interpretatorische Entscheidungen vermieden. Die Auflösung von Abkürzungen und weitere Schritte der Normalisierung werden als separate Aufgabe angegangen, um übliche corpuslinguistische Analysen zu erleichtern.Thibault Clérice, Rachel Bawden, Anthony Glaise, Ariane Pinche, David Smith: Pre-Editorial Normalization for Automatically Transcribed Medieval Manuscripts in Old French and Latin. In: Rachele Sprugnoli, Marco Passarotti (Hrsg.): Proceedings of the Fourth Workshop on Language Technologies for Historical and Ancient Languages (LT4HALA 2026) @ LREC 2026. ELRA 2026, ISBN 978-2-493814-58-6, S. 453–468 ().
Die transkribierten Handschriften enthielten überwiegend lateinische und an zweiter Stelle altfranzösische Texte; dazu kam ein kleiner Anteil Texte in anderen romanischen Sprachen des Mittelalters. Die Handschriften wurden danach ausgesucht, ob sie nach IIIF-Standards digitalisiert vorlagen; ihre Entstehungszeit reicht vom Frühmittelalter bis ca. 1600. Das ursprünglich über 23.000 Handschriften (2,5 Mrd. Tokens) umfassende Corpus ist Stand Juni 2026 auf über 30.000 Handschriften und 3,3 Mrd. Tokens angewachsen.
Literatur Thibault Clérice / Simon Gabay / Malamatenia Vlachou-Efstathiou / Ariane Pinche / Benoît Sagot: CoMMA, a Large-scale Corpus of Multilingual Medieval Archives. 2025. https://inria.hal.science/hal-05299220v1. Aufgerufen am 18. Juni 2026.
Weblinks Homepage des Projekts Github-Seite mit Dokumentation der Richtlinien
Einzelnachweise
Kategorie:Korpuslinguistik Kategorie:Paläographie Kategorie:Mediävistik