Entwicklung und Nutzung interdisziplinärer Repositorien für historische textbasierte Korpora

Ziele des Workshops
Der Workshop setzt sich das Ziel, die Möglichkeiten, Aufgaben und
Herausforderungen bei der Wiederverwendung von historischen Korpora zu
identifizieren und zu diskutieren. Insbesondere sollen dabei deren Architektur,
Dokumentation, Veröffentlichung und Speicherung betrachtet werden. So wollen wir
versuchen, Methoden und Strategien für das interdisziplinäre Forschungsparadigma
der Digital Humanities zu entwickeln und diese in den Fragestellungen der
Konferenz der DHd 2016 zu verorten. Der Fokus wird auf die spezifischen und
fächerübergreifenden Anforderungen historischer Texte in Bezug auf deren
Aufbereitung und Speicherung in Repositorien zum Zweck der Wiederverwendung
gelegt. Damit richtet sich der Workshop gleichermaßen an Korpuserstellende,
Entwickelnde und an Betreiber_innen von Repositorien und deren Nutzer_innen.

Forschungsfragen und Kontextualisierung des Workshops
Historische Texte bilden den Forschungsgegenstand verschiedener
geisteswissenschaftlicher Fächer wie der Linguistik, der Geschichtswissenschaft,
der Literaturwissenschaft und vieler weiterer. Jede Disziplin hat dabei ihre
eigenen Forschungsfragen und Arbeitsweisen, die sich in beispielsweise den
genutzten Formaten und Annotationsweisen zeigen, wie beispielsweise die TEI
Guidelines und deren TEI-XML-Format (TEI Consortium 2015) für digitale Editionen
oder das Stand-Off-Format PAULA (Dipper 2005) für linguistische Korpora. Dennoch
gibt es Ähnlichkeiten bei der Textauswahl und -aufbereitung, die eine gemeinsame
Nutzung der vorhandenen Daten sinnvoll erscheinen lassen. In vielen Fällen wird
zwischen den digitalisierten historischen Texten – den Primärdaten – und den
hinzugefügten Interpretationen in Form von Metadaten und Annotationen
unterschieden. Diese Begriffe – Primärdatum, Annotation, Metadatum – werden
sowohl fachübergreifend aber auch innerhalb einer Disziplin oft sehr
unterschiedlich genutzt. 1
Dadurch entsteht der Eindruck, dass die Daten der Disziplinen
grundverschieden sind. Da sich die oft unterschiedlichen Korpusarchitekturen
jedoch auf den gleichen Forschungsgegenstand, nämlich den gleichen Text,
beziehen können, gibt es durchaus große Schnittmengen zwischen den verschiedenen
Disziplinen.
Ein Beispiel für eine ähnliche Textauswahl sind historische Zeitungen, auf deren
Grundlage ganz unterschiedliche Fragestellungen adressiert werden (für einen
kleinen Überblick siehe bspw. Burr et al. 2015). Die korpusbasierten
Aufbereitungsarten reichen bei diesem Register beispielsweise von digitalen
Editionen (z. B. „Korpus romanischer Zeitungssprachen“, Burr 1994-2007), über
registerspezifische Referenzkorpora (z. B. „German
Manchester Corpus“, Bennett et al. 2008) bis hin zu syntaktisch tief
annotierten Korpora (z. B. Mercurius
Baumbank, Demske 2003-2005). Ein weiteres Beispiel sind historische
Briefe, die als digitale Edition literaturwissenschaftlich untersucht werden (z.
B. „Briefe und Texte aus dem intellektuellen Berlin um 1800“, Baillot /
Seiffert 2013b), oder die als linguistisch annotierte Korpora zur
Untersuchung von historischen Sprachständen dienen (z. B. „Kasseler
Junktionskorpus“, Ágel / Hennig 2007-2009).
Die Beantwortung der jeweiligen Forschungsfrage stützt sich dann häufig auf
Interpretationen in Form von Annotationen in einem Korpus, deren Formen sich
disziplinübergreifend ähneln können. Dennoch existieren vielfältige manuell zu
erstellende oder automatisch generierbare Annotationsarten wie zum Beispiel
Named-Entity-Recognition, Referenzierung auf Personendatenbanken (wie z. B. die
Gemeinsame Normdatei 2
), GEO Tagging (vgl. z. B. Elliot / Gillies 2009), Lemmatisierung (z. B.
Schmid 1994) oder syntaktisches Parsing (z. B. Malt Parser
3
), die die interpretatorischen Analysegrundlagen stellen. Da die
Digitalisierung der historischen Texte (auf Grundlage von Handschriften, Drucken
oder Editionen) und deren Annotation aufwändig und vielschichtig sind (vgl. u.
a. Rissanen 2008, Kytö / Pahta 2012) kann die Wiederverwendung von historischen
Korpora von Vorteil sein. Die Vorstellung der verschieden disziplinspezifischen
Sicht- und Zugriffweisen auf solche textbasierten Daten (vgl. Pitti 2004) und
deren Wiederverwendung ist ein zentraler Themenbereich des Workshops.
Damit diese heterogenen historischen Korpora von unterschiedlichen Disziplinen
genutzt und wiederverwendet werden können, müssen sie über eine gemeinsame
Plattform zugreifbar sein. Diese Plattform muss das Durchsuchen der Daten sowie
der Metadaten, ggf. das Evaluieren sowie das Anreichern mit weiteren
Annotationen und erneute Hochladen der Daten ermöglichen. Idealerweise können
Repositorien diese Funktion übernehmen. Sie funktionieren dann wie eine Art
Marktplatz, auf dem historische Korpora fachübergreifend ausgetauscht und mit
Informationen angereichert werden können.
Der Workshop nimmt diesen Startpunkt, dessen Voraussetzungen und Konsequenzen zum Thema und begreift ihn als einen Teilbeitrag zu einem Fragenkomplex der DHd-Konferenz:

„Was sind die Daten der Geisteswissenschaften? Wie
müssen die Daten der Geisteswis­senschaften (digitalisierte bzw.
digitale Texte, Bilder, Musik, Audio, Filme / Videos etc.) aufgearbeitet
und vorgehalten werden, um sie über die Fächer hinweg nicht nur für
unterschiedliche, sondern auch derzeit noch unbekannte Fragestellungen
nutzen zu können?“
4

Der Workshop versucht für historische Korpora zu ergründen, wie und welche
Wiederverwendungsszenarien unter welchen Voraussetzungen möglich sind und was
der aktuelle Stand der Forschung ist. Dabei ist es enorm wichtig, dieses Thema
vielschichtig und aus mehreren Perspektiven zu beleuchten. Fallstudien für die
Wiederverwendung historischer Daten können exemplarisch Erfahrungen,
Herausforderungen und Aufgaben thematisieren. Anhand von Korpusarchitekturen,
die die Wiederverwendung unterstützen, können wichtige Konzepte und Modelle
diskutiert und verglichen werden. Die Beschreibung von konkreten Technologien
für die Umsetzung eines Repositoriums erlaubt es, die theoretischen Datenmodelle
auf ihre Praxistauglichkeit zu untersuchen. Die Nutzer dieser Technologien
tragen durch ihre Erfahrungen über die potentiellen Vorteile der Wiedernutzung
und die Bereiche, in denen sie Sinn machen, maßgeblich zur Diskussion bei.
Damit stellen sich folgende Fragen in Bezug auf die historischen Korpora, deren Aufbereitung, die Repositorien bzw. Technologien und deren Nutzung:

Können dieselben Primärdaten unter verschiedenen Forschungsfragen unterschiedlich genutzt werden?
Welche Gemeinsamkeiten, welche Unterschiede weisen die Korpora hinsichtlich ihrer umfangreichen Aufbereitung historischer Texte auf.
In wie weit fördern / erschweren die Annotationen als theoretische Konzepte und
Interpretationen eine Wiederverwendung?
Welche Arten von Annotationen und Analysen können wie wiederwendet werden?
Welche Arten der Wiederverwendung können sich ergeben?
Wie unterschiedlich bewerten Disziplinen die Qualität eines Korpus?
Welche interdisziplinären Nutzer- und Nutzungsszenarien ergeben sich?
Welche Anforderungen ergeben sich hinsichtlich der Korpusarchitektur inklusive Annotationsarten und Format?
Welche Speicherformate eignen sich für die Wiederverwendung von Forschungsdaten?
Wie können Lizenzen den Austausch und die Wiederverwendung fördern?
Was sind die relevanten Metadaten über ein Korpus?
Welche Art von Zugriff auf die Korpora ist notwendig, um eine Wiederverwendung zu erleichtern? Wie müssen Repositorien beschaffen sein?
Welche Vor- und Nachteile besitzen disziplinspezifische / interdisziplinäre
oder / und formatabhängige oder -unabhängige Repositorien?
Eine Diskussion und mögliche Beantwortung dieser Fragen wollen wir durch einen fächerübergreifenden Austausch von Entwicklern, Korpuserstellern und Nutzern im Rahmen des Workshops ermöglichen.

Form des Workshops
Der Workshop soll bestehend aus zwei impulsgebenden Keynotes und sechs Vorträgen
an einem Tag vor der DHd-Konferenz stattfinden. Eine Keynote wird das Thema des
interdisziplinären Zugangs und der Wiederverwendung zu historischen Daten
allgemein thematisieren und problematisieren (Lüdeling und Dreyer, Projektleiter
des LAUDATIO-Repositoriums für historische Texte.
Eine zweite Keynote wird die Frage nach einem Qualitätsmanagement im
Rahmen von Wiederverwendungsszenarien, dessen Umfang und Zweck aufwerfen und
diskutieren (Laurent Romary, DARIAH Director.
Die Vorträge, die aus dem offenen Call des Workshops hervorgehen,
sollen Korpuserstellende, Repositorienentwickler_innen und -nutzer_innen aus
ganz verschiedenen Fachbereichen die Gelegenheit geben, die oben aufgeworfenen
Fragen aufzunehmen und aus einer notwendigerweise interdisziplinären Sicht die
Möglichkeiten, Herausforderungen und Lösungen für die Wiederverwendung von
historischen Korpora zu diskutieren. Die Keynotes erhalten je 30 Minuten
Redezeit sowie 15 Minuten Diskussion und die Vorträge je 20 Minuten und 10
Minuten Diskussion. Eine Diskussion wird den Workshop abschließen. Die primäre
Sprache des Workshops ist Deutsch.

Zur Diskussion über Primärdatum, Transkriptionen, Normalisierungen siehe
bspw. Claridge 2008, Himmelmann 2012, Kramer 2014; über Metadaten siehe
bspw. Odebrecht 2015, Haynes 2004; über Annotationen siehe bspw.
Lüdeling 2011, Kübler / Zinsmeister 2015).
„Die Gemeinsame Normdatei (GND) ist eine Normdatei für Personen,
Körperschaften, Konferenzen, Geografika, Sachschlagwörter und Werktitel,
die vor allem zur Katalogisierung von Literatur in Bibliotheken dient,
zunehmend aber auch von Archiven, Museen, Projekten und in
Webanwendungen genutzt wird.“ (DNB 2015).
Tool zum automatischen Annotieren von syntaktischen Dependenzen (Hall et
al. 2014).
Siehe den Call for Papers DHd 2016 http://www.dhd2016.de/node/9 [letzter Zugriff:
12.September 2015].

Bibliographie

Ágel, Vilmos / Hennig, Mathilde (2007-2009): KAJUK (Version 1.1). Justus-Liebig-Universität Gießen
http://www.uni-giessen.de/kajuk/index.htm, http://hdl.handle.net/11022/0000-0000-2102-8 [letzter Zugriff 10.
September 2015].

Baillot, Anne / Seifert, Sabine (2013a): „The Project
"Berlin Intellectuals 1800–1830" between Research and Teaching“ in:  Journal of the Text Encoding Initiative 4. DOI:
10.4000/jtei.707.

Baillot, Anne / Seifert, Sabine (2013b): Briefe und Texte aus dem intellektuellen Berlin um
1800
http://tei.ibi.hu-berlin.de/berliner-intellektuelle/ [letzter
Zugriff: 22.Dezember 2015].

Bennett, Paul / Durrell, Martin / Ensslin, Astrid /
Scheible, Silke / Whitt, Richard (2008): GerManC
Project (Version 1.0), University of Manchester http://www.llc.manchester.ac.uk/research/projects/germanc/, http://hdl.handle.net/11022/0000-0000-2D1B-1 [letzter Zugriff
10.September 2015].

Burr, Elisabeth (1994-2007): Korpus
Romanischer Zeitungssprachen. Duisburg - Bremen - Leipzig http://www.uni-leipzig.de/~burr/CorpusLing/ [letzter Zugriff 10.
Sepzember 2015].

Burr, Elisabeth / Burkhardt, Julia / Potapenko, Elena /
Sierig, Rebecca / Concepción Durán, Arámis (2015): „Das
Duisburg-Leipzig Korpus romanischer Zeitungssprachen und sein Textmodell“,
in: Von Daten zu Erkenntnissen. 2. Jahrestagung des
Verbandes der Digital Humanities im deutschsprachigen Raum, DHd
2015, Graz. https://www.conftool.pro/dhd2015/index.php/Burr-Das_Duisburg-Leipzig_Korpus_ romanischer_Zeitungssprachen-1771016.pdf?page=downloadPaper&filename;=Burr-Das_Duisburg-Leipzig_Korpus_romanischer_Zeitungssprachen -1771016. pdf&form;_id=177
[letzter Zugriff: 11.September 2015].

Claridge, Claudia (2008): “Historical Corpora” in:
Lüdeling, Anke / Kytö, Merja (eds.): Corpus Linguistics.
An International Handbook. Volume 1. Berlin: De Gruyter 242–259.

Demske, Ulrike (2003-2005): Mercurius (Version 1.1). Universität Potsdam http://www.uni-potsdam.de/guvdds/projekte/abgproj.html, http://hdl.handle.net/11022/0000-0000-467D-6 [letzter Zugriff:
10.September 2015].

Dipper, Stefanie (2005): “XML-Based Stand-Off
Representation and Exploitation of Multi-Level Linguistic Annotation”, in:
Proceedings of Berliner XML Tage Berlin 39-50.

DNB = Deutsche Nationalbiliothek (2015): Gemeinsame Normdatei (GND)
http://www.dnb.de/gnd [letzter
Zugriff 10.September 2015].

Elliott, Tom / Gillies, Sean (2009): “Digital Geography
and Classics. Changing the Center of Gravity”, in: Digital
Humanities Quarterly 3, 1

http://www.digitalhumanities.org/dhq/vol/3/1/000031/000031.html
[letzter Zugriff 10. September 2015].

Hall, Johan / Nilsson, Jens / Nivre, Joakim (2014):
MaltParser
http://www.maltparser.org/
[letzter Zugriff 10. September 2015].

Haynes, David (2004): Metadata for
information management and retrieval. London: Facet publishing.

Himmelmann, Nikolaus. P. (2012): “Linguistic Data Types
and the Interface between Language Documentation and Description”, in: Language Documentation and Conservation 6: 187-207.

Kramer, Michael J. (2014): “Defining Data for
Humanists: Text, Artifact, Information or Evidence?”, in: Journal for Digital Humanities 3, 2

http://journalofdigitalhumanities.org/1-1/defining-data-for-humanists-by-trevor-owens/
[letzter Zugriff: 10. September 2015].

Kübler, Sandra / Zinsmeister, Heike (2015): Corpus Linguistics and Linguistically Annotated
Corpora. London / New York: Bloomsbury.

Kytö, Merja / Pahta, Päivi (2012): “Evidence from
historical corpora up to the twentieth century” in: Nevalainen, Terttu /
Traugott, Elizabeth C. (eds.): The Oxford Handbook of the
History of English. Oxford o.a.: Oxford University Press 123-133.

Lüdeling, Anke (2011): “Corpora in Linguistics:
Sampling and Annotation” in: Grandin, Karl (ed.): Going
Digital. Evolutionary and Revolutionary Aspects of Digitization.
Nobel Symposium 147. New York: Science History Publications 220-243.

Odebrecht, Carolin (2015): „Interdisziplinäre Nutzung
von Forschungsdaten mithilfe einer technisch-abstrakten Modellierung“, in:
Von Daten zu Erkenntnissen. 2. Jahrestagung des
Verbandes der Digital Humanities im deutschsprachigen Raum DHd
2015, Graz. https://www.conftool.pro/dhd2015/index.php/Odebrecht-Interdisziplin%C3%A4re_Nutzung_von_Forschungsdaten _mithilfe_einer_technisch-abstrakten_Modellierung-63110.pdf?page=downloadPaper&filename;=Odebrecht-Interdisziplin%C3%A4re_Nutzung_von_Forschungsdaten _mithilfe_einer_technisch-abstrakten_Modellierung-63110.pdf &form;_id=63
[letzter Zugriff 12.September 2015].

Pitti, Daniel V. (2004): “Designing Sustainable
Projects and Publications” in: Schreibman, Susan / Siemens, Ray / Unsworth,
John (eds.): A Companion to Digital Humanities.
Oxford: Blackwell 471–487.

Rissanen, Matti (2008): “Corpus Linguistics and
Historical Linguistics” in: Lüdeling, Anke / Kytö, Merja (eds.): Corpus Linguistics. An International Handbook. Volume
1. Berlin: Mouton de Gruyter 53-68.

Schmid, Helmut (1994): “Probabilistic Part-of-Speech
Tagging Using Decision Trees“, in: Proceedings of
International Conference on New Methods in Language Processing,
1994. Manchester.

TEI Consortium (eds.) (2015): TEI P5:
Guidelines for Electronic Text Encoding and Interchange. Version 2.8.0.
2015-04-06. TEI Consortium. http://www.tei-c.org/Guidelines/P5/ [letzter Zugriff 11. August
2015].