zum Inhalt springen

Tesla - Text Engineering Software Laboratory

Virtuelles Labor zur Verarbeitung beliebiger textueller Daten

 

Projektbeschreibung

Tesla (Text Engineering Software Laboratory) ist ein virtuelles Labor, das eine grundlegende Infrastruktur für die Verarbeitung beliebiger textueller Daten bereitstellt. Tesla unterstützt dabei einerseits die Entwicklung neuer Werkzeuge (Komponenten) für die Prozessierung von Texten, wie auch andererseits die Komposition vorhandener Komponenten für die Durchführung komplexer Analysen auf textuellen Daten.

Experimente in einem computerlinguistischen Labor

In naturwissenschaftlichen und technischen Laboratorien werden Experimente durchgeführt. Ein Experiment ist eine spezielle Versuchsanordnung, der Untersuchungsobjekte ausgesetzt werden, entweder um die kausale Beziehungen aufzudecken (in naturwissenschaftlichen Experimenten) oder um bestimmte Ergebnisse zu erzielen (in technischen Experimenten). Tesla funktioniert analog: Die Untersuchungsobjekte sind sprachlicher Art, die Versuchsanordnung besteht aus in Reihe geschalteten oder parallelisierten Komponenten, die sprachliche Signale verarbeiten oder anreichern. Die Ergebnisse der Experimente werden in einer Datenbank mit definierten Ein- und Ausgabeschnittstellen protokolliert.

Ansprechpartner:

Dr. Jürgen Hermes

Website:

http://tesla.spinfo.uni-koeln.de

Hinweis: Wegen der momentanen Umstrukturierung des Instituts für Digital Humanities wird die Tesla-Website derzeit auf ein neues Host-System umgezogen, so dass aktuell leider kein Zugang zum Build-Server, zu den Tutorials und zur Dokumentation besteht.

Aktuell steht nur die Tesla-Version für MacOS zur Verfügung, die in der Dissertation von Claes Neuefeind erstellt und eingesetzt wurde (siehe auch unten):

 

tesla-mub.zip

 

Dokumentation:

Tesla wird u.a. in den folgenden Dissertationen behandelt bzw. eingesetzt:

 

  • Schwiebert, Stephan (2012): "Tesla - Ein virtuelles Labor für experimentelle Computer- und Korpuslinguistik". Dissertation, Universität zu Köln. Siehe http://kups.ub.uni-koeln.de/4571/
  • Hermes, Jürgen (2012): "Textprozessierung - Design und Applikation." Dissertation, Universität zu Köln. Siehe http://kups.ub.uni-koeln.de/4561/

  • Neuefeind, Claes (2018): "Muster und Bedeutung - Bedeutungskonstitution als kontextuelle Aktivierung im Vektorraum". Dissertation, Universität zu Köln. Cologne: MAP. Ein Download der Tesla-Version, die im Rahmen der Dissertation eingesetzt wurde, ist unter diesem Link möglich (nur MacOS).

Ziel des Projekts Selbstorganisierendes semantisches Wissen ist es, das Bedeutungspotential sprachlicher Zeichen durch ein selbstlernendes System zu erfassen.

Selbstorganisierendes semantisches Wissen

1950 beschrieb der geniale englische Mathematiker Alan Turing in der Zeitschrift