Categories
CLARIAH-DE Pitch vDHd2021

Der Schwarzmarkt des Datenhandels

Peggy Bockwinkel (Universität Stuttgart)

Spoiler für den Pitch am 24.03.2021: Erfahren Sie in 5 Minuten wie ein Weg in den Schwarzmarkt aussehen kann, und welche Auswege es gibt.


Herzlich Willkommen zur Blogpostserie zum vDHd-Event “CLARIAH-DE Young Researcher Infrastruktur-Pitch mit Best-Pitch-Award”. Die Blogpostserie will in kurzen Beiträgen die erfolgreichen Einreichungen vorstellen und das Warten auf die Veranstaltung verkürzen.

Dies ist Teil 3 der Serie. Heute stellt Peggy Bockwinkel ihren Beitrag zum Thema “Der Schwarzmarkt des Datenhandels” vor. Die Anmeldung zum Event ist hier möglich: https://s.gwdg.de/boOwFf; weitere Informationen finden Sie am Ende des Beitrags.


„Nein, das Korpus ist noch nicht zugänglich oder verfügbar, schreiben Sie mir aber eine Mail, und wir können uns dazu austauschen.“ So oder so ähnlich lauten die wohl am häufigsten auftretenden Sätze im Zusammenhang mit Forschungsdaten. Ich höre diese Sätze in allen möglichen Konstellationen in meinem Bereich, der digitalen Literaturwissenschaft, und darüber hinaus. Der Schwarzmarkt des Datenhandels blüht. Inwiefern dieser Schwarzmarkt ein Problem darstellt, der die Digital Humanities-Forschung ausbremst, zeige ich am Beispiel meines eigenen Projekts.

In meinem Projekt untersuche ich deiktische Ausdrücke in deutschsprachigen literarischen Texten der letzten 260 Jahre. Ich bin ausgebildet in Linguistik und Germanistik und arbeite im Rahmen einer Doktorarbeit an diesem Projekt. Mein Wunschkorpus habe ich nach literaturwissenschaftlichen Kriterien ausgewählt. Es handelt sich um einen Kanon der deutschsprachigen Literatur und gehört damit zum Standard.

Startseite des Kindlers Literatur Lexikon, auf das mein Wunschkorpus basiert (siehe http://www.kll-online.de/)

Ziemlich schnell stellte sich heraus, dass die Texte in meinem Wunschkorpus nur zum Teil in digitalisierter, maschinenlesbarer Form vorhanden und vor allem zugänglich sind [Stichwort: Accessible]. Ein erster Test war ernüchternd: Von den mehr als 2000 Texten in meinem Wunschkorpus konnte ich in den gängigen und literaturwissenschaftlich akzeptierten Repositorien nur knapp 600 Texte finden [Stichwort: Findable]. Um diese Repositorien nicht händisch durchsuchen zu müssen und mit copy/paste mein Korpus zusammenzustellen, hatte ich ein Skript geschrieben, das automatisiert Texttitel erkennt und in einen Zielkorpusordner kopiert [Stichwort: Accessible]. Selbst wenn es auf irgendeiner Festplatte bereits ein Korpus wie mein Wunschkorpus gibt: Ein wünschenswert unkomplizierter Zugang zu einem digitalen und maschinenlesbaren Kanon der deutschsprachigen Literatur, der auch literaturwissenschaftlichen Kriterien standhält, gehört bislang nicht zum Standard.

Die Startseiten der verwendeten Repositorien als Screenshot: TextGrid, DTA und Corpus of German-Language Fiction.

Es tauchte außerdem ein weiteres, recht unerwartetes Problem auf: Meine Analysen basieren auf Dateien im txt-Format. Es ist jedoch nicht selbstverständlich, dass Texte als txt-Dateien in den Repositorien verfügbar sind [Stichwort: Interoperable]. Das Problem bleibt zwar überschaubar, wenn man des Programmierens mächtig ist und mittels Code die xml-Dateien von TEI-Tags befreit. Doch auch dabei handelt es sich um eine weitere forschungsferne Aufgabe.

Dateien im txt-Format sind nicht Standard in allen Repositorien. Bildquelle: https://deutschestextarchiv.de/book/show/kleist_amphytrion_1807

Eine weitere unerwartete Frage tauchte auf: Mit wievielen Dateien ist mein Zielkorpus so umfangreich, dass es noch dem Kanon deutschsprachiger Literatur entspricht? Mit knapp 600 Dateien sicher nicht, d.h. ich musste nachbessern. Mein Weg auf den Schwarzmarkt literaturwissenschaftlicher Daten war unumgänglich. Dieser Weg kostet vor allen Dingen eines: noch mehr Zeit – und damit vor allem Ressourcen, die zwar der Vernetzung im weitesten Sinne, jedoch nicht der Forschung im engeren Sinn zugute kommen.

Das Bild des Schwarzmarktes in Zusammenhang mit den Digital Humanities ist nicht neu.

Daten sind das Gold des Digital Humanists

Um die Tragweite des Problems zu verstehen, soll der Begriff ‚Forschungsdaten‘ kurz umrissen werden: Unter Forschungsdaten verstehe ich diejenigen Daten, mit denen ein Digital Humanist geisteswissenschaftliche Fragestellungen computationell beantwortet oder Methoden zur computationellen Beantwortung dieser Fragen vorantreibt. Das heißt, es sind die Daten, auf die ihre Forschung aufbaut. Es sind aber auch die Daten, die aus der Forschung hervorgehen: Code, Ergebnisse aus Analysen, etc. Mit anderen Worten: Forschungsdaten sind das Gold eines Digital Humanists.

Ein Blick auf das Datengold meines Projekts.

Der FAIRe Weg

Das Bewußtsein im Umgang mit Daten hat sich im Wesentlichen mit dem Besuch eines FAIR-Workshops geändert (https://events.tib.eu/fair-data-software/2018/). Hier stellte sich außerdem heraus, dass meine Schwierigkeiten nicht nur die Schwierigkeiten meines Fachs widerspiegelten, sondern die MINT-Fächer ebenso betrafen. Zudem konnte ich im Laufe der Zeit in den Digital Humanities beobachten, dass Synergien nach wie vor zu wenig genutzt werden. Das fängt bei kleinen Themen wie der Wiederverwendung eines Skripts an, mit dem man aus einem TEI-Text einen Plain-Text generieren kann. Wie anhand meines Projekts angedeutet, sind es auch nicht die einzelnen Themen, die Schwierigkeiten bereiten. Es ist die Summe an Themen, die zu übermäßig forschungsfernen Tätigkeiten führt. Wie mit Themen dieser Art umgegangen wird, muss auf verschiedenen Ebenen verhandelt werden. Je bewusster das geschieht, desto begrüßenswerter.

Der FAIRe Abschluss

Für mein eigenes Projekt ist geplant, alle im Rahmen des Projekts generierten Forschungsdaten nach den FAIR-Prinzipien zugänglich zu machen. Das bedeutet, dass damit auch ein (wenngleich noch unvollständiges) Korpus kanonischer deutschsprachiger Texte vorliegt, das literaturwissenschaftlichen Kriterien genügt. Ein Teil der Texte meines Korpus ist urheberrechtlich geschützt. Wünschenswert wäre deshalb eine Plattform, bei der die Zugänge – angepasst an das Urheberrecht – beschränkt werden können. Damit auch die neu generierten Daten nachvollziehbar und somit nachnutzbar sind, wurden alle Skripte ausführlich kommentiert, und es wurde auf eine dokumentierte Versionierung für die einzelnen Stufen der Forschungsdatengenerierung geachtet. Die Skripte sind modular aufgebaut, sodass die Skripte wie Werkzeuge einzeln oder zusammen oder nur Skriptteile genutzt werden können [Stichwort: Reusable].


Weitere Informationen und Links:
Anmeldung: https://s.gwdg.de/boOwFf
Veranstaltungsbeschreibung: https://vdhd2021.hypotheses.org/143
Liste der Pitchenden und Ablauf: https://dhd-blog.org/?p=15341
Rückfragen gerne an clariah-de-office@clariah.de


Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.