Digitale Workflows in Langzeitprojekten am Beispiel einer Infrastruktur zur Dokumentation indigener nordeurasischer Sprachen (INEL)

Zusammenfassung
Gegenstand des Beitrages sind die Arbeiten zu digitalen Workflows und infrastruktureller
Einbindung im Rahmen des Langzeitprojektes INEL (Grammatical
Descriptions, Corpora, and Language Technology for Indigenous Northern Eurasian
Languages). Das Projekt wurde von Prof. Dr. Beata Wagner-Nagy (Institut für
Finnougristik/Uralistik, Hauptantragstellerin) sowie von Dr. Michael Rießler
(Skandinavisches Seminar Albert-Ludwigs-Universität Freiburg) und der Geschäftsführung des
Hamburger Zentrums für Sprachkorpora (Hanna Hedeland und Timm Lehmberg) beantragt. Ziel
des Projektes ist es, über den Zeitraum von 18 Jahren die dringend erforderliche
Erschließung der sprachlichen Ressourcen des genealogisch diversen nordeurasischen
Sprachraums (s. Abbildung 1) zu leisten. Durch den Einsatz von State-of-the-Art-Methoden
und -Werkzeugen der linguistischen Datenaufbereitung, die bisher nur für gut erforschten
Sprachen und Varietäten zum Einsatz kamen, wird eine Lücke in diesen für die empirische
Sprachwissenschaft bisher schlecht zugänglichen Arealen der Welt nachhaltig geschlossen.

Abb. 1: Der geographische Skopus des Projekts.
Dieses ehrgeizige Ziel stellt hohe Anforderungen an die Organisation der Projektworkflows
und erfordert zudem die Schaffung einer eigenen nachhaltigen und international vernetzten
digitalen Forschungsinfrastruktur. Das Projekt leistet somit jenseits seiner
linguistischen Ausrichtung einen wichtigen Beitrag für die Digital Humanities.

Anforderungslage
Aufgrund des drohenden Verfalls der zum großen Teil auf obsoleten analogen
Originalträgern (Wachswalzen, Schellackplatten, Mikrofiche etc.) vorhandenen
Audio-Aufnahmen, Niederschriften und Beschreibungen, schließt sich in absehbarer Zeit das
Fenster für einen Erhalt dieser Daten. Gleichzeitig gehen die Sprecherzahlen vieler
Sprachen und Varietäten stetig zurück. Indem existierende Materialien zu digitalen Korpora
aufbereitet und der bisherige Gesamtbestand um neue Ressourcen ergänzt wird, kann dieses
Erbe als wertvolle empirische Basis für vielfältige Forschungsvorhaben erhalten werden.
(Eine detaillierte Beschreibung des Standes der linguistischen Erfassung befindet sich im
Förderantrag, S. 3 ff.)
Vielmehr als nur ein digitales Archiv entsteht im Rahmen von INEL
jedoch eine umfassende virtuelle Forschungsumgebung, die durch die Integration in
supranationale Forschungsinfrastrukturen der wissenschaftlichen Öffentlichkeit dauerhaft
zugänglich gemacht wird. Ein primäres Ziel des Projektes besteht zunächst darin,
existierende Beschreibungen einzelner nordeurasischer Sprachen und Varietäten, die
aufgrund der bisher begrenzten Auswahl von verfügbaren Sprechern und Genres eher
partikuläre Idiolekte dokumentieren, zusammenzutragen und mit ergänzenden Korpora als
umfangreiche digitale Ressource zugänglich zu machen. Durch die so geschaffene, der
Vielfalt der Sprache angemessenen, Datenbasis werden für zukünftige Generationen von
Forschenden erstmalig varietätenübergreifende Analysen möglich, etwa die Erforschung
kontaktinduzierter Sprachveränderungen, Anwendungen aus dem Bereich der Dialektometrie
oder sprachsoziologische Untersuchungen. Die unterschiedlichen Erhebungszeiten der
Sprachdaten erlauben zudem erstmalig datengestützte Untersuchungen von diachronem
Sprachwandel sowie Grammatikalisierungsprozessen. Ebenso bedeutend sind die Art des
Zugangs zu den Sprachdaten und die damit verbundenen Analysemöglichkeiten. Die Sprachdaten
können in der entstehenden Forschungsumgebung kollaborativ und dezentral um beliebige
weitere Beschreibungsebenen angereichert werden, die dann für verschiedene
Auswertungsszenarien zur Verfügung stehen. Auf diese Weise wird die virtuelle
Forschungsumgebung modular aufgebaut und in vielen Fällen so generisch sein, dass auch die
Resultate technologischer und methodologischer Entwicklungen der akademischen
Öffentlichkeit als Best Practices und als konkrete Grundlage für vergleichbare Vorhaben
zur Verfügung stehen werden.

Modularisierung und Workflows
Die oben beschriebene Ausgangslage determiniert zwei Dimensionen der Entwicklung der
entstehenden Ressourcen, denen durch entsprechende Modularisierung von Workflows begegnet
werden muss.
1. Entwicklung hinsichtlich der arealen Abdeckung durch Erschließung der Einzelsprachen.
2. Entwicklung hinsichtlich der Komplexität der Daten infolge von hinzuzufügenden
Glossierungen und Mehrebenenannotationen, die sowohl innerhalb des Erfassungsprozesses
jeder Einzelsprache als auch über den gesamte Laufzeit erfolgen.

Abb. 2: Teilprojekte.
Der folgtende Abschnitt basiert auf den den im Förderantrag (S. 17 ff) beschriebenen
konzeptionellen Vorarbeiten zur Modularisierung der Projektworkflows.
Das Projekt gliedert sich dem entsprechend in insgesamt zwölf Teilprojekte (s. Abbildung
2), von denen elf jeweils die Erschließung einer der zu erfassenden Sprachvarietäten zum
Gegenstand haben. Das zwölfte technisch-infrastrukturelle Teilprojekt läuft im Gegensatz
zu den elf jeweils auf drei Jahre angelegten Erschließungsprojekten durchgängig über die
gesamte Projektlaufzeit und schafft somit die notwendige Kontinuität für die Entwicklung,
Anpassung und Vermittlung der Funktionalitäten der technischen Infrastruktur. Das
Arbeitsprogramm wird für die jeweiligen Teilprojekte aber auch teilprojektübergreifend in
Form von methodischen Arbeitspaketen umgesetzt:

Arbeitspaket 1: Korpusaufbau
In diesem Arbeitspaket werden existierende Ressourcen erschlossen, kuratiert und
aufbereitet sowie ggf. um neu zu akquirierende und zu erhebende Daten ergänzt. Die dabei
erforderlichen Verarbeitungsschritte sind, wie in Abbildung 3 dargestellt,
modularisiert. Die Module Digitalisierung, linguistische Modellierung, Annotation /
Glossierung und Finalisierung/Integration entsprechen jeweils Aufbereitungsschritten,
die abhängig vom Ausgangszustand der einzelnen Ressource für die Integration in den
Gesamtbestand erforderlich sind.

Abb. 3: Modularisierung und Anpassung der
Verarbeitungsschritte.
In der Praxis handelt es sich jedoch keineswegs um einen linearen Prozess, den einzelne
Texte einmalig durchlaufen und an dessen Ende die Speicherung und Zugänglichkeit einer
in sich geschlossenen Ressource in einem digitalen Repositorium steht. Vielmehr müssen
die zu planenden Workflows der Aufbereitung und Speicherung den tatsächlichen
Gegebenheiten der Datenaufbereitung in Projekten dieser Art Rechnung tragen (s.
Abbildung 4):
- Es ist in vielen Fällen wünschenswert, Versionen von Ressourcen bereits in einem
frühen Stadium der Aufbereitung (beispielsweise noch vor Abschluss der Annotation und
Glossierung) der wissenschaftlichen Öffentlichkeit zugänglich zu machen.
- Bei dem Arbeitsschritt der Annotation und Glossierung handelt es sich wiederum um
iterative Prozesse, in deren Rahmen mehrere Ebenen der Auszeichnung, möglichwerweise
sogar zeitlich überlappend, zu den Primärdaten hinzugefügt werden, was hohe
Anforderungen an Koordination und Qualitätskontrolle stellt.
- Insbesondere bei Langzeitvorhaben entstehen oft neue Versionen von Korpora aus
bereits bestehenden Ressourcen, indem diese mit zusätzlichen Annotationsebenen
ausgezeichnet werden.

Abb. 4: Nicht-lineare Abfolge der Verarbeitungsschritte.
Diesen Gegebenheiten kann in der Praxis durch ein ausdifferenziertes
Versionierungskonzept begegnet werden. Im Rahmen des Vortrages werden einige konkrete
Workflows aus dem Projekt vorgestellt und ihre Implementierung unter Verwendung eines
Git-basierten Repositoriums ausführlich
erläutert.

Arbeitspaket 2: Infrastruktur und Best Practices
Die zu errichtende Infrastruktur basiert in vielerlei Hinsicht auf den Vorarbeiten des
HZSK sowie generell auf vorangegangenen Erkenntnissen aus dem Aufbau digitaler
Forschungsumgebungen. Große Teile der gewünschten Funktionalitäten wurden bisher in Form
von Standalone-Werkzeugen (bspw. EXMARaLDA)
oder Webapplikationen (bspw. als Teil der CLARIN-D-Infrastruktur) am HZSK entwickelt und
eingesetzt. Einen integralen Bestandteil der Infrastruktur bildet ein Repositorium, mit
dessen Hilfe die nachhaltige Datenvorhaltung gewährleistet werden kann. Weitere
Komponenten, die unmittelbar daran anknüpfen, bilden zusätzliche relevante Aspekte der
gewünschten Funktionalität der Infrastruktur ab, wie etwa die kollaborative Bearbeitung
und Aufbereitung von Daten in der Arbeitsumgebung, die Auslieferung von Metadaten an
Kataloge und Archive, welche die Auffindbarkeit der Ressourcen für andere Forscher
ermöglicht, sowie Schnittstellen für die Exploration und Analyse der vorgehaltenen
Ressourcen. Auch die fortlaufende Anbindung an bzw. Vernetzung mit weiteren bestehenden
Forschungsinfrastrukturen wird als essentielles Merkmal des Projektes betrachtet.

Arbeitspaket 3: Evaluation und Dissemination
Neben der organisatorischen und der technisch-infrastrukturellen Organisation und
Vernetzung, die mit den Arbeitspaketen 1 und 2 abgedeckt ist, erfordert ein
Langzeitprojekt wie INEL zudem umfassende Arbeiten im Bereich der
Dissemination und den Austauschs im supranationalen interdisziplinären Kontexten mit
anderen Forschenden. Um neue Arbeitsinstrumente zu entwickeln und zu diskutieren,
Arbeitspläne zu koordinieren, aktuelle Forschungsfragen und die mit der Projektarbeit
zusammenhängenden praktischen Fragestellungen zu diskutieren sowie zu Zwecken der
Fortbildung werden im Rahmen von INEL jährliche Workshops
abgehalten, an denen ausgewählte Konsultanten sowie Kooperationspartner aus dem Ausland
und die Projektmitarbeiter selbst teilnehmen.

Ausblick
Der Beitrag basiert auf den Planungen zu der INEL-Langzeitprojekt,
dessen 18-jährige Laufzeit im Januar 2016 beginnen wird. Die Vorarbeiten zu dem Projekt
lieferten wichtige Erkenntnisse hinsichtlich der Modularisierung von Projektabläufen sowie
der Priorisierung von Verarbeitungsschritten der Datenaufbereitung. So wird beispielsweise
der technische Fokus nicht auf der Neuentwicklung von weiteren Werkzeugen und Standards
der Datenaufbereitung, sondern der Entwicklung von modularisierten Infrastrukturen und
Workflows liegen, die auf die Interoperabilität, Interaktion und Integration existierende
Komponenten abzielen. Nur so kann ein flexibler Betrieb der INEL-Infrastruktur in einer sich permanent wandelnden Ressourcen- und
Infrastrukturlandschaft gewährleistet werden.
Von der Entwicklung und Erprobung kontrollierter und modularisierter Workflows der
Datenaufbereitung, die beispielsweise eine transparente Dokumentation und Publikation
entstehender Versionen von Forschungsdatensammlungen erlauben, sind zudem wichtige
Beiträge auf dem Feld des Forschungsdatenmanagements von Projekten in den Digital
Humanities zu erhoffen.

Bibliographie

Git-Hub (o.J.): Git. Local branching on
the cheap http://git-scm.com/ [letzter Zugriff
16. Februar 2016].

INEL (2015): Grammatiken, Korpora, Sprachtechnologie
für indigene nordeurasische Sprachen. Förderantrag, eingereicht bei der Union der deutschen
Akademien der Wissenschaften.

Hedeland, Hanna / Lehmberg, Timm / Schmidt, Thomas / Wörner,
Kai (o.J.): EXMARaLDA. Werkzeuge für mündliche Korpora
http://www.exmaralda.org/ [letzter
Zugriff 16. Februar 2016].

HZSK (o.J.): Hamburger Zentrum für
Sprachkorpora
https://corpora.uni-hamburg.de/drupal/ [letzter Zugriff 16. Februar
2016].

Universität Hamburg (o.J.): Institut für
Finnougristik / Uralistik
https://www.slm.uni-hamburg.de/ifuu [letzter Zugriff 16. Februar 2016].