Die Art der Fragestellung ist äußerst schwierig, denn schon bei deinen 3 Beispielen fiel mir ein Schwachpunkt auf:
“Verwenden Frauen mehr Adjektive?” – Wer schreiben richtig gelernt hat, egal ob Mann oder Frau, streicht beim Überarbeiten so viele Adjektive wie möglich, um einen guten Stil zu erreichen.
Das – und vieles andere – gehört zum Handwerk. Ich habe es mir antrainiert. Verfälscht die Statistik, oder?

Jedenfalls habe ich mich angemeldet. Übrigens fehlt eine Option bei der Berufsangabe: nicht berufstätig. Mir blieb nur die Möglichkeit “keine Angabe”. Ich kenne viele Blogger, die nicht (mehr) berufstätig sind. Liegt ja bei den demografischen Verhältnissen auf der Hand.

- Hannelore

Das erstellte Blog-Corpus wird auf der verlinkten Seite veröffentlicht, sobald ich die Daten entsprechend verarbeitet habe.

Zur Verarbeitung natürlicher Sprachen hab ich mir sehr viele unterschiedliche Systeme angeschaut und bin leider von fast allen enttäuscht worden. Die meisten Frameworks sind einfach nicht für eine derart große Datenmenge ausgelegt wie was ich eigentlich analysieren will.

Ich habe mich deshalb in den letzten Monaten mit dem UIMA Framework auseinandergesetzt, das hervorragende Leistungen bringen kann. Das System realisiert ein Multi-Agenten-System, das recht einfach parallelisiert werden kann. Entsprechende Implementierungen vorausgesetzt schaffe ich so derzeit die Analyse von 13 Mio. Benutzerbeiträgen innerhalb 2 Tagen. Diese Performanz-Eigenschaften sind bei solchen Datenmengen sehr wichtig und genau hier scheitern die meisten verfügbaren Tools.

Ich hab mir vorgenommen, in den nächsten Tagen einzelne Teile hier im Blog vorzustellen. Dazu gehört eben UIMA, aber auch Lucene. Analyse-Details werden in entsprechenden Veröffentlichungen dann publiziert, für die demnächst eine eigene enstprechende Seite angelegt wird.