Categories
vDHd2021

Was ist eigentlich KONDA? Protokoll eines Experiments

Mit unserem Beitrag auf der virtuellen DHd-Tagung haben wir zentrale Themen unseres Forschungsprojektes “Kontinuierliches Qualitätsmanagement von Forschungsdaten zu Objekten der materiellen Kultur unter der Anwendung von LIDO” vorgestellt. Als interdisziplinäres Team (Arno Kesper, Markus Matoni, Hanna Meiners, Julia Rössel und Viola Wenz) arbeiten wir am Bildarchiv Foto Marburg, dem Fachbereich Mathematik und Informatik der Philipps-Universität Marburg und der Staats- und Universitätsbibliothek Göttingen.

Im Vorfeld unserer Live-Session, die am Donnerstag 25.03. stattfand, starteten wir einen „Call for Questions“ unter dem Hashtag #askKONDA. Hiermit wollten wir Fragen sammeln, die dann live beantwortet werden sollten. Als Inspiration posteten wir über Twitter verschiedene Begriffe rund um das Thema Datenqualität. Für unsere Session am Donnerstag konnten wir einige Fragen zusammentragen und uns über eine rege Diskussion freuen. Hier fassen wir einige der Fragen und Punkte der Diskussion für alle, die nicht live dabei waren, zusammen:

Was ist das Gegenteil von Datenqualität? Gibt es so etwas wie Daten-Unqualität?

Datenqualität richtet sich stets nach den Nutzungskontexten von Daten und kann entsprechend vor allem an ihrer “Fitness for Use” gemessen werden. Datenqualität als ein System verschiedener (manchmal überlappender) Qualitätsdimensionen kann also nicht in einer Dichotomie aufgehen, sondern muss innerhalb bestimmter Koordinaten graduell beschrieben werden. Arno Kesper beschrieb die Datenqualität als Skala und nannte hier eine Analogie zur Messung der Temperatur: Datenqualität kann für bestimmte Nutzungskontexte hoch (das Schlagwort wäre hier “hot data”) oder niedrig (“cold data”) sein.

Da für die Entwicklung eines Qualitätsmanagementprozesses für Forschungsdaten im KONDA-Projekt die Erfahrungen all jener zentral sind, die Daten erzeugen, nutzen oder weiterverarbeiten, richteten wir an die Runde in der Live-Session noch diese Frage:

Was sind eurer Erfahrung nach Quellen schlechter Datenqualität? Wo liegen die Ursachen?

Einige Teilnehmer*innen merkten an, dass die Problematik für schlechte Datenqualität oft mit der Projektplanung zu tun hat, die z.B. nicht genug Vorbereitung oder Zeit für die Konzeption und Nutzung der Systeme zur Datenerhebung oder für die Datenerhebung selbst lässt. Hierbei seien oft schnelle Forschungsergebnisse gefordert, welche wenig Zeit für überlegte Erfassung böten. Auch die langfristige Verfügbarkeit von Daten setze die Einschätzung der Datenqualität voraus bzw. fordere eine hohe Datenqualität. Zudem wurde bemerkt, dass bei der Anwendung von Standards ein Mittelmaß zwischen den weiten oder (zu) tiefgreifenden Möglichkeiten, die sie bieten, und Minimalanforderungen, die bestimmte Fächer oder Projekte mit sich bringen, gefunden werden müsste. So ist es mit LIDO möglich, Objekte der materiellen Kultur in sehr ausführlicher Form zu erfassen, von verschiedenen Ereignissen, die mit dem Objekt verknüpft sind, deren Datierung und involvierte Personen bis zu ausführlichen Material-Technik-Angaben. Zudem müsse man immer auch die Nachnutzung im Blick haben, die niedrigere oder auch noch höhere Anforderungen an die Erschließungstiefe von Datensätzen stellen könnte. Vollständigkeit von Daten ist eine der Qualitätsdimensionen, mit der Datenqualität eingeschätzt werden kann. Diese stellt sich oft als Problem heraus, welches immer in der Perspektive aktueller Verarbeitungs- und Retrievalsysteme gesehen werden muss. Einen vollständigen, quasi beendeten Datensatz gibt es demnach nicht. Daten sollten als “historische Aufnahme” von Informationen zu einem Gegenstand gesehen werden, die immer wieder evaluiert und ggf. aktualisiert werden müssen.

Wie sollte man am besten mit Unsicherheiten und Wissenslücken in seinen Daten umgehen?

Die Modellierung von Unsicherheiten ist ein zentrales Thema im KONDA-Projekt: Gerade bei der Beschreibung von Objekten der materiellen Kultur sind Unsicherheiten allgegenwärtig, allein weil es sich um historische Gegenstände handelt, für die gewisse Informationen nur rekonstruiert werden können. Für die Kodierung von Unsicherheiten z.B. bezüglich Datierungen gibt es jedoch kaum standardisierte Ausdrucksweisen. Folglich variiert die Art, wie Unsicherheiten in verschiedenen Systemen und Fachkulturen benannt werden. Dies ist nicht zuletzt problematisch bei der Aggregation von Daten, wirkt sich aber auch auf die intrinsische Datenqualität aus, etwa weil es in einem Datenset unterschiedliche Orte oder Ausdrücke für die Markierung einer Unsicherheit geben kann, die Daten also inkonsistent werden. Hieran schließt sich die Frage an, inwiefern Unsicherheiten in Datenmodellen expliziert werden können oder müssten.

Thema Datenqualität analysieren und verbessern: Wie messt ihr Datenqualität in KONDA?

In KONDA werden für die Analyse Datensets der Universitätssammlungen Göttingen und des Bildarchivs Foto Marburg herangezogen, die in LIDO oder dem MIDAS-Format vorliegen. Zu Beginn des Projekts wurde ein Katalog von möglichen Qualitätsdimensionen von Daten mit entsprechenden Definitionen zusammengetragen. Diese Parameter, wie beispielsweise Vollständigkeit, Genauigkeit, Konsistenz, Eindeutigkeit oder Wiederverwendbarkeit bilden den Hintergrund, vor dem Datenqualität analysiert und eingeschätzt werden kann. Eine erste Anwendung fanden sie in einem Katalog mit Datenqualitätsproblemen, der in enger Zusammenarbeit mit der Fachcommunity zusammengetragen wurde, um die Bedarfe für einen kontinuierlichen, also über den gesamten Datenlebenszyklus angelegten Qualitätsmanagement-Prozess lokalisieren zu können. Den dort beschriebenen Qualitätsproblemen, die nicht nur Daten, sondern auch Datenmodelle und Datentransformationen betreffen, sind jeweils die Qualitätsdimensionen zugeordnet, auf welche sie die größte Auswirkung haben.

Für eine computergestützte Analyse von Qualitätsproblemen haben Arno Kesper und Viola Wenz eine Herangehensweise entwickelt, die es ermöglicht, problematische Datensätze über von der jeweiligen Datenbanktechnologie unabhängige Muster zu finden. Damit können Nutzer*innen, die um bestimmte Probleme eines Datensets wissen, “Anti-Pattern” definieren, über die die entsprechend problembehafteten Daten herausgefiltert werden können.

In der Praxis bestehen Möglichkeiten zur Einschätzung von Datenqualität bereits bei der Eingabe, beispielsweise in automatisierten Plausibilitätschecks oder in der Überprüfung auf eine möglichst umfangreiche Verwendung von kontrollierten Vokabularen bzw. die Verknüpfung mit Normdaten, was eine gewisse Konsistenz innerhalb des Datensets ermöglicht.

Was hat LIDO mit Datenqualität zu tun?

Für Forschungsdaten zu Objekten der materiellen Kultur, die in KONDA den Ausgangspunkt für die Entwicklung eines generischen Qualitätsmanagementsprozesses bilden, ist LIDO ein wichtiger Standard. Das auf dem CIDOC-CRM basierende Harvestingschema wird in vielen Institutionen für den Datenaustausch und als Orientierung für die Erfassung verwendet. Ein zentraler Aspekt des Projektes ist die Weiterentwicklung des Schemas über die nationale und internationale Arbeitsgruppe der ICOM und dabei insbesondere die Perspektive der Qualitätssicherung einzubringen. So ermöglicht etwa die aktualisierte BETA-Version LIDO 1.1 die Einbindung von Schematronregeln. Zudem wurden neue Elemente und Attribute eingeführt, die die Explizierung von Quellenverweisen ermöglichen oder mit denen unsichere Angaben markiert werden können.

Am DDK ist bereits für die auf Druckgraphik und Zeichnungen spezialisierte Datenbank Graphikportal ein Handbuch entwickelt worden, in welchem für die Beschreibung von Graphik relevante LIDO-Felder und entsprechendes Fachvokabular zusammengetragen und erklärt werden. Entsprechende Handbücher für die Kunstgattungen Malerei, Skulptur und Architektur sind ebenso in Planung, wie die Erstellung restringierter Subschemata (Anwendungsprofile) auf Basis der Gesamtschema-Datei (XSD), die die LIDO-Struktur auf die Erfassung der entsprechenden Gattungen ausrichten.

Wenn ihr einen Wunsch bzgl. Datenqualität frei hättet, wie würde dieser lauten?

Einige der Antworten der Teilnehmer*innen bezogen sich auf den Projektkontext, innerhalb dessen sich die meisten DH-Projekte abspielen: Hier wünschte man sich einerseits mehr Support und Beratung für die einzelnen Projekte, aber auch, dass man innerhalb derselben von sich aus darauf achte, eine hohe Datenqualität zu erzielen und sich nach vorhandenen Standards zu richten. Dies ermöglicht bereits bei der Entstehung eine gewisse Verlässlichkeit der erzeugten Daten. Hierfür müssten Standards allerdings gut dokumentiert werden. Zudem wurde der Wunsch geäußert, dass Tools zur Erfassung und Verarbeitung von Daten möglichst einfach zu verwenden seien, um niedrigschwellig eine gute Ausgangsbasis für eine hohe Datenqualität legen zu können. Nicht von ungefähr waren wir uns in der Runde einig, dass das Thema Datenqualität mehr in den öffentlichen Diskurs der Digital Humanities rücken und nicht nur vorausgesetzt werden sollte. Damit könnte schlussendlich die Aufmerksamkeit für die Thematik auch in Projekten geschärft werden, die sich nicht explizit mit Datenqualität (oder deren Analyse und Verbesserung) beschäftigen.

Ein Fazit zum Experiment?

Resümierend können wir schließen, dass wir bei unserem Call for Questions im Vorhinein leider weniger Resonanz hatten, als erhofft. Beim nächsten Mal müsste man also mehr Vorlauf einrechnen oder einfach gleich die Fragen in der Live-Session zusammentragen. Hierbei entspann sich eine lockere und offene Diskussion, für die wir uns an dieser Stelle noch einmal bei den Teilnehmer*innen herzlich bedanken.

Experimentbericht von Julia Rössel

Categories
vDHd2021

vDHd 2021 – Awards

1. CLARIAH-DE Young Researcher Infrastruktur-Pitch Best-Pitch-Award

Siegerin: Dîlan Canan Çakir

vDHd 2021 Posterslam – Bestes Poster

1. Platz: Amelie Dorn
2. Platz: Elena Suárez Cronauer
3. Platz: Lukas Weimer / Annelen Brunner

vDHd 2021 Posterslam – Bester Slam

1. Platz: Lukas Weimer
2. Platz: Amelie Dorn
3. Platz: Stefan Reiners-Selbach

vDHd 2021 Posterbingo

1. Bingo-Siegerin: Lisa Kolodzie
2. Bingo-Sieger: Wieland Carls
3. Bingo-Sieger: Jan Horstmann

DH-Quiz

1. Platz: Mareike Schumacher
2. Platz: Sophie Schneider
3. Platz: Thomas Efer

Allen Gewinnerinnen und Gewinnern herzliche Glückwünsche!

Categories
vDHd2021

Der (vorläufige) Abschluss – Rückblick, Feedback und Ausblick #vDHd2021

Die Abschlussveranstaltung zur ersten Eventwoche (zugleich Auftaktveranstaltung zu den Zwischenevents) findet am Freitag, 26.03.2021 von 15-16 Uhr s.t. statt – der Link zum Zoom-Meeting findet sich hier.

Die Sitzung bietet ein Resümee der vergangenen Konferenztage und eine kurze Einführung in eine Feedback-Umfrage. Die Panel- und Workshop-Leiter*innen der Zwischenevents werden in der Form von Kurz-Pitches ihre Veranstaltungen vorstellen. Schließlich gibt es ein allgemeines Q & A für das Publikum.

Wo? vDHd 2021 zoom-Raum: Zentrale Veranstaltungen
See you!

Categories
vDHd2021

Eröffnung der vDHd 2021

Bei der Eröffnung der vDHd 2021 haben sich Events vorgestellt, an denen ihr spontan teilnehmen könnt. Alle Infos und Links findet ihr hier. Wir wünschen euch eine schöne, experimentelle und spaßige erste Konferenzwoche!

Infrastrukturen

Discord: Tagungsbüro, eigene Channels für Veranstaltungen
Blog
Zenodo
Blog
Twitter
Miro-Board
Mail: vdhd2021(at)dig-hum.de
Wonder-Raum
Merch

Blogpost dazu: https://vdhd2021.hypotheses.org/uber/infrastrukturen


 CfP


Anmeldung

Blogartikel


DiskursMonitor

Blogartikel


MiMo Text

Blogartikel


Blogartikel


Blogartikel

Mail

CCS Homepage


DHd AG OCR

Blogartikel


Zugangslink

Blogartikel


Blogartikel

Mail

Twitter


Blogartikel

Mail


UCLAB FH Potsdam

GBIF

JACQ

Blogartikel


Blogartikel


Blogartikel


Anmeldung

Blogartikel


Blogartikel


Anmeldung 

Blogartikel

Categories
vDHd2021

Der Auftakt. Die Eröffnung der vDHd 2021 „Experimente“

Es geht los. Am Dienstag, den 23.03.2021, von 9 – 10 Uhr s.t. findet die Eröffnungssitzung der vDHd 2021 „Experimente“ im vDHd-Audimax (Zugangslink) statt. Experimentell kann sich das Konferenzformat nennen, experimentell war die neuartige Weise der rein virtuellen Konferenzplanung und ab dem Startschuß der vDHd werden wochenlang die Workshops, Panels und Vorträge der Digital Humanists im Zeichen von Experiment und Digitalen Geisteswissenschaften stehen.

Auf der Eröffnungssitzung der vDHd 2021 „Experimente“ erwarten Euch/Sie eine Begrüßung von Lisa Kolodzie (vDHd-Team) und ein Grußwort von DHd-Vorstandsmitglied Ulrike Wuttke. Und wir haben einen Gast aus Potsdam eingeladen, der den Call for Papers für die DHd 2022 in Potsdam vorstellen wird – lasst Euch überraschen! Es wird zudem kurze Einführungen in Organisatorisches und die vDHd-Infrastrukturen geben.

Schließlich werden Session-Leiter*innen der ersten Eventtage ihre Veranstaltungen in der Form von Kurz-Pitches präsentieren. Hier werden Events präsentiert, bei denen entweder auch eine spontane Teilnahme ohne Voranmeldung möglich ist oder bei denen die Anmeldeportale noch offen stehen. Die Abendveranstaltungen #DHall (23.03.), der Posterslam (24.03.) und das DH-Quiz (25.03.) werden dem Publikum vorgestellt werden.

Kommt zahlreich zur Eröffnungssitzung! Alle, die in den nächsten Wochen und Monaten mit uns tagen, laden wir herzlich ein zum Diskutieren und Forschen. Sorgen wir dafür, dass, wie jedes Jahr im Frühling, eine Woche allen DH-Interessierten und den Digital Humanities gehört.

Auf eine lange, schöne vDHd-Zeit und viele Experimente!

Categories
vDHd2021

Call for Questions zu “Was ist eigentlich KONDA? – Die etwas andere Projektvorstellung”

CC-BY 4.0 Konda

KONDA steht für Kontinuierliches Qualitätsmanagement von dynamischen Forschungsdaten zu Objekten der materiellen Kultur unter Anwendung des LIDO-Standards. Wir sind ein Forschungsprojekt von Informatiker*innen und Kunsthistoriker*innen am Bildarchiv Foto Marburg, dem Fachbereich Mathematik und Informatik der Philipps-Universität Marburg und der Staats- und Universitätsbibliothek Göttingen.

Doch was genau ist mit diesem Titel gemeint und was wird dabei erforscht? Das KONDA-Team möchte sich vorstellen, mit Euch diskutieren und gezielt auf eure Fragen antworten. Wir wollen so im Dialog mit Euch unsere laufende Arbeit und deren Hintergründe vorstellen.

Wir rufen dafür in einem „Call for Questions“ dazu auf, Fragen zu stellen.

Ablauf und Spielregeln:

  1. Ab heute bis 24.03. posten wir auf Twitter unter dem Hashtag #askKONDA Schlagworte rund um das Thema Datenqualität als Inspiration für eure Fragen. 
  2. Stellt eure Fragen im entsprechenden Thread auf Twitter oder per E-Mail (konda(at)uni-marburg.de). Wir orientieren uns an allgemein üblichen Formulierungen zur Netiquette in den Sozialen Medien, wie sie z.B. die Uni Heidelberg (https://www.uni-heidelberg.de/de/twitter-netiquette) veröffentlicht hat. Außerdem bitten wir darum, den folgenden Hashtag zu benutzen: #askKONDA 

    Wer uns eine E-Mail mit Fragen an konda(at)uni-marburg sendet, setzt bitte den #askKONDA in den Betreff der Mail.
  1. Sprachen: Deutsch und Englisch
  2. Bei unserer Live-Session am 25.03. diskutieren wir die zuvor gesammelten Fragen persönlich. 

Live-Session am 25.03.2021, 11-12 Uhr

Link zum Session-Raum: https://webconf.hrz.uni-marburg.de/b/jul-kqh-jyl-trx 

Falls ihr nicht live dabei sein könnt, werdet ihr die Antworten in unserem Resumé im Nachgang der vDHD auf dem Blog nachlesen können. 

Categories
CLARIAH-DE Pitch vDHd2021

WirLernenOnline, Crawling und das Semantic Web

Steffen Rörtgen
Gesellschaft für wissenschaftliche Datenverarbeitung mbH, Göttingen


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 6 der Serie. Heute stellt Steffen Rörtgen seinen Beitrag zum Thema “WirLernenOnline, Crawling und das Semantic Web” vor. Die Anmeldung zum Event ist hier möglich: https://s.gwdg.de/boOwFf; weitere Informationen finden Sie am Ende des Beitrags.


Viele hochqualitative freie und offene Bildungsmaterialien (Open Educational Resources) liegen verstreut auf verschiedenen Plattformen im Netz. Teilweise haben sich ehrenamtliche Initiativen gegründet, die gemeinsam Bildungsinhalte sammeln und kuratieren, teilweise existieren Projektseiten laufender oder auch schon ausgelaufener Projekte, die Bildungsmaterial bereitstellen. Das Ergebnis ist eine heterogene und bunte Landschaft an Plattformen, die Daten unterschiedlichster Art bereitstellen.

So schön diese Vielfalt auch ist, stellt sie für Lehrende und Lernende ein Problem dar: Sie müssen viele verschiedene Plattformen ansteuern, wenn sie auf der Suche nach Bildungsmaterial sind! In Zeiten von Google als Default-Suchmaschine sind es Nutzer:innen gewohnt, an einer Stelle zu suchen und jedes relevante Material auf diese Weise zu finden.

Also war die Aufgabe klar: Wir brauchen ein Google für freie Bildungsmaterialien.

Auch das BMBF hat diese Notwendigkeit am Beginn der Corona-Pandemie erkannt und das Projekt “WirLernenOnline” (https://wirlernenonline.de) gefördert. Um allerdings eine Suchmaschine für Bildungsmaterialien anbieten zu können, ist es zuerst nötig, die Informationen über die Materialien überhaupt einzusammeln.

Wie unstrukturierte Metadaten einsammeln?

Hier zeigte sich die erste große Herausforderung: Wie die Metadaten zu den Materialien einsammeln?

Bisweilen hatten wir Glück und bekamen ein API, die wir ansteuern konnten. Oft blieb uns aber auch keine andere Möglichkeit, als uns mit Crawlern durch das rohe HTML zu graben und zu hoffen, dass unsere Quellen, nicht wöchentlich das Design ändern.

Während der ersten Datensichtung trat gleich die nächste Herausforderung auf, die sich beim Sammeln großer Mengen unstrukturierter Daten oft zeigt: Es werden unterschiedliche Bezeichnungen für dieselben Eigenschaften verwendet, beispielsweise:

  • „Mathematik“
  • „Mathe“
  • „Matematik“

Wie sollen wir damit umgehen? Alle drei Bezeichnungen beziehen sich wohl auf das Schulfach “Mathematik”, aber die unterschiedlichen Schreibweisen würden dazu führen, dass wir ohne weitere Kuratierung drei Schulfächer in unserer Suche und den Filtern ausprägen würden.

Unsere Lösung für dieses Problem, werde ich kommenden Mittwoch, dem 24.03.2021 von 15-17h hier vorstellen.
Aber so viel sei schonmal verraten:

Erhöhung der Metadatenqualität

Da knapp 75% der gecrawlten Materialien keine Fachzuweisung besitzen, beschäftigen wir uns außerdem mit Prozessen zur Erhöhung der Metadatenqualität. Um diese weiter zu erhöhen, wurden mit Lehrer:innen gemeinsam Taxonomien für ihre jeweiligen Schulfächer entwickelt:

Dabei wird ihnen die Möglichkeit gegeben, Lernmaterialien innerhalb dieser Taxonomien einzuordnen und dies mit Kolleg:innen und Schüler:innen für den Unterricht zu nutzen. In unserer Infrastruktur werden nun Prozesse implementiert, die das durch die Lehrer:innen einsortierte Material wieder exportieren und es so vorbereiten, dass es für das Training von Machine Learning Prozessen verwendet werden kann. Beim Crawling von Inhalten oder in Metadatendialogen des Backends wird das trainierte Modell dann verwendet, um das Fach zu schließen oder vorzuschlagen, wenn keines angegeben wurde. Dabei setzen wir in unserer Infrastruktur auf W3C-Standards zur Kommunikation zwischen den einzelnen Komponenten, um einerseits hohe Interoperabilität und andererseits gute Nachnutzbarkeit von Folgeprojekten zu gewährleisten.

Ausgabe der Daten

Im Rahmen des Projektes werden alle gesammelten Daten über Lerninhalte auch wieder an andere Plattformen ausgegeben. Dabei soll unter anderem das in der OER-Metadatengruppe grade in Entwicklung befindliche LRMI-Profil genutzt werden. LRMI (Learning Resource Metadata Initiative) ist dabei ein auf RDF aufbauendes Modell, womit es sich besonders gut für den Austausch von Daten über das Web eignet und den FAIR-Prinzipien folgt.


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

Categories
CLARIAH-DE Pitch vDHd2021

Ludwig Baumann – Leben, Werk und Wirken. Eine Fallstudie zur Grundlagenforschung in der digitalen Musikwissenschaft


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 5 der Serie. Heute stellt Dennis Ried seinen Beitrag zum Thema “Ludwig Baumann – Leben, Werk und Wirken. Eine Fallstudie zur Grundlagenforschung in der digitalen Musikwissenschaft” vor. Die Anmeldung zum Event ist hier möglich: https://s.gwdg.de/boOwFf; weitere Informationen finden Sie am Ende des Beitrags.


Zu Lebzeiten hoch geschätzt und sehr gefragt ist der Musiker, Dirigent und Männerchor-Komponist Ludwig Baumann heute gänzlich in Vergessenheit geraten. Daher verwundert es auch nicht, dass zu Leben, Werk und Wirken Ludwig Baumanns nahezu keine Forschungsdaten verfügbar sind, auf denen meine Arbeit aufbauen kann. Eine hervorragende Möglichkeit unterschiedliche Erfassungs- und Verarbeitungstechniken aus den Digital Humanities auf die gesamte Vielfalt an Quellenarten anzuwenden.

Mein Ursprungsvorhaben, alle relevanten Quellen mit TEI bzw. MEI zu codieren, war extrem hochgesteckt, weshalb ich relativ zügig einen Schwerpunkt auf die Erfassung von Metadaten setzte. Zur schnelleren Erfassung vor Ort (bspw. in Archiven mit beschränkten Öffnungszeiten) verwendete ich mit unter Tabellendokumente (.csv). Die Erfassung der Daten in möglichst kleinen Bausteinen – Zergliederung in mehrere Tabellen-Zellen – hatte den Vorteil, dass ich bei der Transformation in TEI-/MEI-konforme XML-Dateien die Datenbausteine passgenau in die neue Datenstruktur einsetzen konnte. Als reproduzierbarer Workflow, der bspw. auch die nachträgliche Verknüpfung von Faksimile-Daten massiv erleichtert, hat sich in meinem Projekt die Erfassungstechnik über Tabellen hinsichtlich der Effizienz überaus bewährt.

Um die erfassten Daten überblicken, Korrekturlesen, analysieren und anderen vermitteln zu können, habe ich eine App für eXist-DB aufgesetzt, die die Daten visuell aufbereitet und miteinander verknüpft, sodass diese interaktiv nutzbar werden.

Für mich attraktive Hilfswerkzeuge (aus Infrastrukturprojekten) waren bei Projektbeginn zu komplex in Installation und Einrichtung oder zu aufwendig in der Anpassung – gemessen an meinen damaligen technischen Kenntnissen.

Wie das Datenpanorama organisiert ist und mit welchem Workflow die Daten in das Portal gelangen, werde ich im Pitch am 24. März 2021 vorstellen.


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

Categories
CLARIAH-DE Pitch vDHd2021

Phonetisch-phonologische Metadaten in der Forschung: Eine kritische Auseinandersetzung mit dem Angebot der Datenbank für Gesprochenes Deutsch (DGD)

Kristina Becker

(Institut für Sprach- und Literaturwissenschaft, TU Darmstadt)


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 4 der Serie. Heute stellt Kristina Becker ihren Beitrag zum Thema “Phonetisch-phonologische Metadaten in der Forschung: Eine kritische Auseinandersetzung mit dem Angebot der Datenbank für Gesprochenes Deutsch (DGD)” vor. Die Anmeldung zum Event ist hier möglich: https://s.gwdg.de/boOwFf; weitere Informationen finden Sie am Ende des Beitrags.


Unter Betrachtung der FAIR-Prinzipien und vor dem Hintergrund, dass gesprochene Sprache sich in vielerlei Aspekten von der geschriebenen Sprache unterscheidet, wird beleuchtet, inwieweit Dokumentationsrichtlinien spezifisch für Korpora der gesprochenen Sprache geeignet sind. So wird die Datenbank für Gesprochenes Deutsch (DGD) des Leibniz-Instituts für Deutsche Sprache auf die Zugänglichkeit und Archivierung des Audio- und Transkriptionsmaterials sowie dessen Metadaten untersucht. Dabei stellt sich die Frage, nach welcher Auswahl von Metainformationen ein eigenes Korpus erzeugt werden kann, das aus Forschungsdaten anderer Korpora besteht. Stets soll hier auf eine transparente Forschungsdateninfrastruktur geachtet werden, für die ebenfalls gilt, sie den Besonderheiten der gesprochenen Sprache und dem jeweiligen phonetisch-phonologischen Forschungsvorhaben anzupassen. Durch eine anschließende kritische Auseinandersetzung wird aufgezeigt, dass eine Erweiterung der Dokumentationsrichtlinien für die gesprochene Sprache – insbesondere zwecks Archivierbarkeit und Nachnutzung – von hoher Notwendigkeit ist.

„Was steht denn hier? So habe ich es doch gar nicht gesagt!“ – „Dann sollten wir den Algorithmus mit anderen Daten füttern.“

Innerhalb der Phonetik und Phonologie existieren zahlreiche Forschungsfragen (z. B. Phoneminventar einer Sprache, Dialekte, Sprechstörungen, Bi-/Multilingualität), die ausreichend Material benötigen. Hierfür sind unterschiedliche Metadaten von Bedeutung, ohne deren Hinzuziehung keine hochwertige Auswahl an Forschungsmaterial erfolgen kann.


Sprachlandschaftskarte zu <Chemie> im deutschsprachigen Raum. [FN 1]

Folgen Sie dem Link und hören Sie, wie unterschiedlich regional bedingte
Realisierungen sein können: http://prowiki.ids-mannheim.de/bin/view/AADG/ChemieCh

Angenommen, es wird Sprachmaterial benötigt, um Sprache in einen Text zu verwandeln, d. h. einen Algorithmus beispielsweise auf einen Dialekt zu trainieren, den er noch nicht kennt und dementsprechend schlechte Transkriptionen erzeugt: Keine bzw. nicht ausreichende Personenangaben führen zu einer hohen Variabilität der phonetischen Eigenschaften (Grundfrequenz, Formanten etc.) zwischen den aufgenommenen Personen. Zudem verfälschen Störgeräusche wie beispielsweise permanente Hintergrundgeräusche die akustischen Korrelate der jeweiligen Aussprache. Diese und weitere Faktoren führen letzten Endes zu mangelhafter Transkription und einem nicht zufriedenstellenden Ergebnis.

„Welche Forschungsdaten sind ‚gut genug‘ für mein Vorhaben? Und wie erhalte ich Zugang zu ihnen?“

Bei der unendlich großen Auswahl an Sprachmaterial stellt sich zunächst die Frage, wie Forschungsdaten definiert und archiviert werden sowie für die weitere Nutzung zur Verfügung stehen können. Hier unterscheidet sich gesprochenes vom geschriebenen Deutsch dadurch, dass Audiomaterial gespeichert und diesem normalisiertes oder auf Lautebene transkribiertes Textmaterial beigefügt werden muss, um den Inhalt zugänglich zu machen. Dennoch können in den Verschriftlichungen wichtige Informationen fehlen. Um nun die zeitaufwendige Arbeit zu minimieren, jede einzelne Datei anhören zu müssen – bei sehr großen Datenmengen wäre dies für Einzelforschende kaum zu bewältigen – kann eine Vorauswahl mithilfe von Metadatenabfragen in Datenbanken getroffen werden. Anschließend kann das ausgewählte Material zum Trainieren von Algorithmen zur Automatischen Spracherkennung verwendet werden.

Interface der DGD: Ergebnisse einer Abfrage zu <Chemie> und dem Metadatum Aufnahmeort (Dialektregion) im FOLK. [FN 2]

In der DGD, einem webbasierten Korpusmanagementsystem, kann auf über 30 Korpora zugegriffen werden. Sie wird als objektrelationale XML-Datenbank verstanden, welche Metadaten und Transkriptionen schemabasiert speichert. Inwiefern alle für phonetisch-phonologische Untersuchungen relevanten Metadaten in den ausgewählten Korpora vorhanden sind, welche Überlegungen für den Aufbau einer eigenen Datenbank unter Berücksichtigung der FAIR-Prinzipien bisher stattgefunden haben und welche Zusatzpunkte die Dokumentationsrichtlinien beinhalten könnten, wird auf dem Infrastruktur-Pitch am 24. März 2021 zu sehen sein.

Nachweise

1 Kleiner, Stefan (2011ff.): Atlas zur Aussprache des deutschen Gebrauchsstandards (AADG). Unter Mitarbeit von Ralf Knöbl [http://prowiki.ids-mannheim.de/bin/view/AADG/, letzter Zugriff: 19.03.2021]

2 Datenbank für Gesprochenes Deutsch, FOLK Korpus: IDS, Datenbank für Gesprochenes Deutsch (DGD), FOLK [http://dgd.ids-mannheim.de, letzter Zugriff: 19.03.2021]


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

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