Nutzung und Kombination von Daten aus strukturierten und unstrukturierten Quellen zur Identifikation transnationaler Lebensläufe

Biographien erscheinen als nahezu ubiquitärer Forschungsgegenstand in den
unterschiedlichsten geisteswissenschaftlichen Disziplinen. Neben der qualitativen
Betrachtung wurden aus diesem Grund auch Verfahren zur quantitativen Analyse
biographischer Texte entwickelt, die zumeist die Identifikation und Extraktion
relevanter Merkmale aus unstrukturiertem Text behandeln. So präsentieren
beispielsweise Bamman und Smith eine Methode zur unüberwachten Erkennung
biographischer Daten in unstrukturiertem Text (Bamman / Smith 2014). Blessing und
Kuhn präsentieren mit ihrem Konzept und webbasiertem Prototypen zur
Emigrationsanalyse eine konkrete Anwendung der quantitativen Analyse und Aggregation
biographischer Daten (Blessing / Kuhn 2014).
Auf Basis der Machbarkeitsstudie
»Cosmobilities« – Grenzüberschreitende Lebensläufe in den europäischen Nationalbiographien des 19. Jahrhunderts motivieren wir in diesem Vortrag die Notwendigkeit einer kombiniert qualitativen und quantitativen Betrachtung unterschiedlicher Quellen biographischer Daten – einer Aufgabe, der nach unserer Einschätzung aktuell eher wenig Priorität zugewiesen wird. Als Schwerpunkte vertiefen wir anschließend zwei für die Korrelation und Integration relevanter Daten wichtige Aspekte: Zum einen wird mit der
kontextspezifischen Kombination biographischer Daten ein
iterativer Ansatz vorgestellt, der bei der Verknüpfung von Einzelergebnissen der quantitativen Verfahren unterstützt und die Berücksichtigung qualitativer Resultate zulässt. Der zweite Schwerpunkt des Vortrags fokussiert auf die
Unterstützung des für die Erstellung biographischer Profile notwendigen Verarbeitungsprozesses durch Komponenten der DARIAH-DE Infrastruktur, welche die Erweiterung des Prototypen um zusätzliche strukturierte und unstrukturierte Datenquellen erleichtern.

Fachwissenschaftlicher Kontext
Historiker des Leibniz-Instituts für Europäische Geschichte Mainz und der
Ludwig-Maximilians-Universität München untersuchten im Rahmen von Cosmobilities exemplarisch, inwiefern biographische Texte
über transnationale Bezüge einer Person hinwegtäuschen. Eine Besonderheit der
Transnationalität 1 besteht
darin, dass sich diese oft erst durch Betrachtung unterschiedlicher Quellen als
solche zu erkennen gibt: Durch ihre nationale Prägung beschreiben biographische
Texte – insbesondere in den Nationalbiographien – eine Person aus einer
nationalen Perspektive und vernachlässigen oder verschweigen Einflüsse der
Person auf andere Nationen oder Kulturkreise.

Transnationalität in Lebensläufen: Ein Beispiel
Betrachten wir als Beispiel den 1847 geborenen, jüdischen Bankier Jakob Heinrich Schiff. Nach Geburt und Kindheit in Frankfurt migrierte dieser zunächst im Alter von 18 Jahren und – nach drei Jahren in Hamburg und Frankfurt – 1875 ein weiteres Mal in die USA.
Der rund 950 Wörter umfassende Eintrag zu
Jakob Schiff in der deutschsprachigen Wikipedia gibt Aufschluss
über die Transnationalität in seinem Leben und betont insbesondere auch
berufliche Stationen als Bankier. Der mit rund 2.350 Wörtern umfassendere,
englischsprachige Artikel
unterscheidet sich vor allem durch die differenzierte Betrachtung
des Philanthropen und Geschäftsmanns und seine weitreichende finanzielle
Unterstützung Japans im Krieg gegen Russland 1904-1905. Obwohl beide Artikel
jeweils die wesentlichen Aspekte seines Lebens umfassen, enthalten diese
auch Informationen, die dem jeweils Anderen fehlen: So erwähnt nur der
deutsche Eintrag Schiffs Brüder und beschreibt seine Rolle als
Gründungsmitglied der Johann Wolfgang Goethe-Universität. Im
englischsprachigen Beitrag fehlen diese Informationen, während aber eine
detaillierte Auflistung der von ihm unterstützten, in den Vereinigten
Staaten ansässigen Einrichtungen vorgelegt wird.

Historiker können für eine fundierte Auseinandersetzung mit dem
Leben von Jakob Schiff auf einen Eintrag der Datenbank von
Immigrant Entrepreneurship
zurückgreifen. In dieser
führt das 1987 gegründete Deutsche Historische Institut Washington (DHI)
fundierte, redaktionell geprüfte Einträge zu Deutsch-Amerikanischen
Unternehmern. Schiff ist dort mit einem über 10.000 Worte umfassenden
Artikel verzeichnet. Und obwohl der Artikel eine historisch differenzierte
Analyse seines Lebens und Wirkens liefert: einige in der Wikipedia
verfügbare Informationen (z. B. Informationen über die Brüder und seine
Stiftung des orientalischen Seminars an der Universität Frankfurt) fehlen
auch hier.

Wikipedia als biographische Quelle
Das Beispiel Jakob Schiffs erlaubt zwei direkte Rückschlüsse: Erstens, dass oft erst durch die Kombination nationaler Perspektiven ein übergreifender Eindruck über eine transnationale Biographie entstehen kann. Zweitens kann die Wikipedia zwar aufgrund ihrer Intention und Ideologie nicht als Quelle historischer Forschung dienen; für die Identifikation und initiale Analyse der Transnationalität von Biographien bietet die Wikipedia jedoch den Vorteil einer – insbesondere gegenüber den Nationalbiographien – oft weitaus geringeren nationalen Prägung. Vor allem jedoch stehen Wikipedia-Artikel in den verschiedensten Sprachen frei und ohne Zugriffshürden zur Verfügung, worin ein bedeutender Vorteil für die Anwendung quantitativer Verfahren liegt: Allein die deutschsprachige Wikipedia beinhaltet etwa 560.000 Einträge zu Personen. In Kontrast hierzu stellen die ebenfalls beachtlichen Bestände der Allgemeinen Deutschen Biographie (ADB) rund 26.500 Einträge zu Personen bis einschließlich des 19. Jahrhunderts, sowie die Neue Deutsche Biographie (NDB) derzeit knapp 22.000 Einträge.
Für erste quantitative Betrachtungen werden daher bewusst zunächst die Artikel der Wikipedia und die strukturierten Daten aus Wikidata verwendet, um eine breite Datenbasis zu schaffen. Durch die angestrebte Kombinierbarkeit und Selektierbarkeit von Quellen wird die Implementierung später auch Möglichkeiten bieten, Analysen auf historisch fundierte Quellen einzuschränken oder diese z. B. auch mit den Ergebnissen aus der Wikipedia zu vergleichen.

Qualitative Unterstützung der Forschung
Ein erster entwickelter Prototyp umfasst neben rund 1,8 Millionen aus Wikidata abgeleiteten, biographisch relevanten Daten auch Ergebnisse der quantitativen Analyse biographischer Texte aus der Wikipedia. Durch die Zusammenführung von Ereignissen aus unterschiedlichen und idealerweise auch mehrsprachigen Quellen werden die biographischen Profile schrittweise erweitert und verfeinert.

Kontextspezifische Kombination von Daten
Durch die Kombination unterschiedlicher Quellen kann aber nicht nur eine größere Menge an Ereignissen erkannt werden, auch die Qualität der abgeleiteten Profile kann gesteigert werden. Angaben zu Zeitpunkten, Orten und interagierenden Personen werden in unstrukturierten Texten durch die Anwendung computerlinguistischer Verfahren zwar erkannt, entsprechende Algorithmen können aber Bezeichnungen und Zusammenhänge oft nicht zweifelsfrei auflösen. Wenn nun die Analyse von Texten unterschiedlicher Sprachen und Herkunft Korrelationen erkennt, die einer gegenseitigen Plausibilitätsprüfung standhalten, so kann für entsprechende Ereignisse mit einer höheren Wahrscheinlichkeit angenommen werden, dass diese auch richtig erkannt wurden.
Ein einfaches Beispiel: Die Abbildung zeigt einen Überblick über erkannte Ort
/ Zeit-Korrelationen im Lebenslauf Friedrich Schillers. Schiller wurde nach
den Angaben in Wikidata 1759 geboren. Gegen diese Information können nun die
Ergebnisse von Volltextanalysen so geprüft werden, dass algorithmisch
erkannte Ereignisse für das Leben Schillers in den Jahren 1710 oder 1880 als
unplausibel erkannt werden. Die Farbgebung der Ereignisse in der Zeitleiste
deutet die Sicherheit der Einträge an: grün steht hierbei für gesicherte
Erkenntnisse, gelbe Knoten deuten auf ein unbelegtes Ereignis aus der
quanitativen Textanalyse hin. Der steigendem Abstand der Knoten von der
Zeitleiste spiegelt eine steigende Unsicherheit der Ereignisse im Kontext
des biographischen Rahmens wider.

Iterativer Verarbeitungsprozess
Die Umsetzung des Prototypen basiert auf einem generischen Framework für die
Korrelation, Verarbeitung und Transformation von Daten, welches ursprünglich
für die generische Suche von DARIAH-DE entwickelt wurde und dieser auch zu
Grunde liegt. Das Framework zeichnet sich insbesondere dadurch aus, dass
eine Phase der deskriptiven Datenmodellierung von der Spezifikation der
Verarbeitungslogik getrennt wird (vgl. Gradl / Henrich 2014). Im
Wesentlichen wird dadurch erreicht, dass geisteswissenschaftliche Experten
die Forschungsdaten ihrer jeweiligen Disziplin um expliziertes Wissen zum
Erstellungskontext der Daten anreichern können. Andere Forschende können auf
Basis der angereicherten Datenbeschreibung nun Verarbeitungsregeln so
spezifizieren, dass die erweiterten Daten in den gewünschten
Verwendungskontext transformiert werden. 2

An konkreten Beispiel der Verarbeitung biographischer Daten resultiert die Anwendung des Frameworks und des zu Grunde liegenden Konzepts in einer iterativen, kontextspezifischen Verarbeitungslogik, die in der folgenden Anwendung skizziert wird und das Zusammenspiel zwischen qualitativer Forschung und quantitativen Verfahren am Beispiel des
Cosmobilities Prototypen verdeutlicht.

So haben Forscher die Möglichkeit an drei Stellen des Prozesses manuell einzuwirken und die quantitative Verarbeitung zu beeinflussen: Zunächst werden durch die Erfassung einer Datenquelle bzw. der Beschreibung ihrer Datenstrukturen (deskriptive Datenmodellierung) biographische Daten und Texte erfasst. Erkenntnisse, die durch eine angewendete Transformation der Daten extrahiert werden können werden ggf. in den Kontext bestehender biographischer Rahmenbedingungen gesetzt und in biographische Profile übernommen.
Auf eben diese qualitativen Einschätzung können Forscher an zwei wesentlichen Stellen einwirken: Einerseits besteht die Möglichkeit, die Einordnung biographischer Daten durch die Beschreibung von Modellen und Heuristiken zu beeinflussen. Eine vereinfachte Heuristik wird in der folgenden Abbildung dargestellt. Hier würde beispielsweise ein Versterben der Mutter zu einem Eintrag im biographischen Profil des Kindes führen, welcher den Aufenthaltsort des Kindes, insofern dieses zu diesem Zeitpunkt höchstens 16 Jahre alt war, mit einer hohen Wahrscheinlichkeit mit dem Sterbeort der Mutter korreliert. An Stelle einer solchen einfachen Heuristik könnten auch komplexere, epochenspezifische Betrachtungen, wie z. B. den Lebensalterdarstellungen von Wirag (Wirag 1994) oder Anwendungen von Lebensstufenmodellen (z. B. von Grayerz 2010) nach Anforderungen der jeweiligen Forscherperspektive stehen.

Die zweite Möglichkeit der qualitativen Beeinflussung besteht in
der konkreten Veränderung des biographischen Rahmens, also die manuelle
Erfassung oder Korrektur wesentlicher Eckpunkte wie Geburts- und Sterbedaten
der einzelnen Person oder auch seiner nächsten Verwandten. Ein weiterer
Iterationszyklus folgt schließlich, wenn ein verändertes Profil die
definierten Selektionskriterien einer Forscherin erfüllt und in deren Fokus
rückt bzw. wenn ein nun erweitertes Profil neue Hinweise auf weitere
Datenquellen beinhaltet. Solche Daten können IDs in Datenbanken sein, aber
auch die Vervollständigung eines Geburtsname / Geburtsdatum-Tupels, auf
dessen Basis die Suche nach weiteren biographischen Texten fortgesetzt
werden kann.

Ausblick
Weitere Entwicklungsschritte sind notwendig um den beschriebenen Verarbeitungszyklus im Rahmen des Prototypen vollständig abzubilden und die Interaktion zwischen qualitativen Verfahren und der qualitativen Forschung anbieten zu können.
Parallel hierzu werden derzeit auch Möglichkeiten zur Aggregation individueller Profile untersucht, um Rückschlüsse über die Transnationalität von Personengruppen anbieten und entsprechende Internationalitätskriterien ableiten zu können.

Für eine differenzierte historische Betrachtung des Themas verweisen wir an dieser Stelle auf das Werk von Deacon, Russel und Woolacott (2010).
Weitere theoretische Überlegungen finden sich in Gradl / Henrich (2014); eine Ausarbeitung, die sich mit diesem Konzept technisch weiterführend auseinandersetzt wird derzeit vorbereitet.

Bibliographie

Bamman, David / Smith, Noah A. (2014): "Unsupervised
Discovery of Biographical Structure from Text", in: Transactions of the Association for Computational Linguistics 2:
363-376.

Blessing, André / Kuhn, Jonas (2014): "Textual
Emigration Analysis (TEA)", in: Proceedings of the Ninth
International Conference on Language Resources and Evaluation
2089-2093.

Deacon, Desley / Russel, Penny / Woolacott, Angela
(2010): Transnational Lives. Biographies of Global
Modernity. 1700-present. Basingstoke / Hampshire: Palgrave Macmillan.

Gradl, Tobias / Henrich, Andreas (2014): "A novel
approach for a reusable federation of research data within the arts and
humanities", in: Digital Humanities 2014. Book of
Abstracts, Ecole polytechnique federale de Lausanne; Lausanne: Université de
Lausanne 382–384 http://dh2014.org/program/abstracts/ [letzter Zugriff 09. Oktober
2015].

Grayerz, Kaspar von (2010): Passagen
und Stationen. Lebensstufen zwischen Mittelalter und Moderne.
Göttingen: Vandenhoeck & Ruprecht.

Heilbrunn, Bernice (2011-201): "Jacob H. Schiff", in:
Hoyt, Giles R. (ed.): Immigrant Entrepreneurship.
German-American Business Biographies 1720 to the Present. Vol. 3.
Washington: German Histprical Institute http://immigrantentrepreneurship.org/entry.php?rec=41 [letzter
Zugriff 07. Februar 2016].

Lei, Tao / Long, Fan / Barzilay, Regina / Rinard,
Martin (2013): "From Natural Language Specifications to Program
Input Parsers", in: The 51st Annual Meeting of the
Association for Computational Linguistics 1294-1303.

Wikipedia (22.11.2015): "Jacob H. Schiff" https://en.wikipedia.org/wiki/Jacob_Schiff [letzter Zugriff 07.
Februar 2016].

Wikipedia (07.02.2016): "Jakob Heinrich Schiff" https://de.wikipedia.org/wiki/Jakob_Heinrich_Schiff [letzter
Zugriff 07. Februar 2016].

Wirag, Klaus T. (1994): Cursus
Aetatis. Lebensalterdarstellungen vom 16. bis zum 18. Jahrhundert.
München: Univ. Diss.