Text+Plus, #05: Von abejcejaŕ bis źurja: Integration niedersorbisch-deutscher Wörterbücher im Kooperationsprojekt INSERT

Jedes Jahr fördert Text+ Kooperationsprojekte mit einer Laufzeit von maximal 12 Monaten. Bewerben können sich Einzelpersonen, Arbeitsgruppen, Forschungsverbünde und Forschungseinrichtungen. Die Kooperationsprojekte aus der ersten Förderrunde sind am 1. Januar 2023 gestartet. In der Blog-Reihe Text+Plus geben sie Einblick in ihre Arbeit.

Wer bereits einmal in der östlich gelegenen Lausitz unterwegs war, wird vielleicht eines der mehrsprachigen Schilder bemerkt haben, die dort zu finden sind. Denn die Lausitz ist die Heimatregion der Sorb:innen, welche in Deutschland als nationale Minderheit anerkannt sind. Die Erforschung und Bewahrung ihrer tief verwurzelten Kultur, Sprache und Geschichte ist Kernaufgabe des Serbski institut / Sorbischen Instituts (SI), das in Bautzen und Cottbus verortet ist.

Die Abteilung für Sprachwissenschaft des SI untersucht alle Ausprägungen der sorbischen Sprachwelt: das Ober- und Niedersorbische sowie die sorbischen Dialekte. Es stellt außerdem eine Vielzahl einzigartiger Ressourcen zur Verfügung – einige davon bereits in digitaler Form. Nicht zuletzt für das als gefährdet eingestufte Niedersorbisch ist dies ein essenzieller Beitrag zur Erhaltung dieser Sprache.

Mit einem dedizierten Kooperationsprojekt namens INSERT¹ wurden in 2023 nun vier der wichtigsten niedersorbisch-deutschen Wörterbücher zunächst in das Standardformat TEI Lex-0 übersetzt, um anschließend in die digitalen Infrastrukturen von Text+ integriert zu werden, insbesondere der föderierten Inhaltssuche des NFDI-Konsortiums.

Doch alles der Reihe nach.

Ressourcen

Die für das Kooperationsprojekt ausgewählten Ressourcen umfassen vier zentrale niedersorbisch-deutsche Wörterbücher (inklusive mehrerer Anhänge): Zwahr 1847, Muka 1911–1928, Šwjela 1961 und Starosta 1999. An den Jahreszahlen lässt sich bereits erahnen, dass diese Ressourcen sehr unterschiedliche zeitliche Kontexte abbilden. Ihre Inhalte reichen dadurch von mancherlei historischen Schreib- und Ausdrucksweisen der älteren Werke bis zu einem moderneren Einblick in das Niedersorbische.

Alle vier Wörterbücher stellt das Sorbische Institut bereits digital zur Verfügung. Sie können online nach Lemmata und direkten Übersetzungen durchsucht werden und liefern den Quellen möglichst akkurat nachgebildete Informationen. Auch ein Faksimile des Originaltexts kann in vielen Fällen begutachtet werden.

Ermöglicht wird dieser Zugriff durch die Digitalisierung der Originalquellen, die das SI bereits vor Beginn des Kooperationsprojektes durchgeführt hatte. Hierfür wurde ein internes XML-Schema entwickelt, welches möglichst detailliert und umfassend alle Inhalte und Strukturen der vier Wörterbücher abbilden sollte. Keine triviale Aufgabe für die teilweise tief verschachtelten Einträge mancher Quellen!

Da digitale Nachnutzung oft jedoch auf Standardisierungen angewiesen ist – etwa für die Verarbeitung mit bestehenden digitalen Werkzeugen und die Anbindung an Infrastrukturen – wurde diese interne Repräsentation im Projekt INSERT in ein etabliertes Format übersetzt. Diese Weiterverarbeitung bot außerdem eine gute Gelegenheit, um einige Datenfelder mit weiteren Normierungen zu ergänzen. Pśekšasny!

Mapping und Anreicherung

Die Wahl des Zielformats fiel auf TEI Lex-0. Als alternative Option wurde auch das lexikographische Modul von OntoLex-Lemon erwogen, welches eine Abbildung in RDF ermöglichen würde. Letztlich fiel die Entscheidung jedoch auf die dem Originalformat ähnlichere Option. Da das originale XML-Schema bereits relativ komplex ist, sollte so eine möglichst breite Abbildung der vielfältigen enthaltenen Informationen ermöglicht werden.

Wichtig hierbei: das Mapping hat nicht den Anspruch einer vollständigen Abbildung. Eine solche wäre in Hinblick auf Detailgrad und Vielschichtigkeit des originalen Schemas, bzw. der Originalquellen, sowie durch die begrenzte Laufzeit des Kooperationsprojekts nur schwer umsetzbar gewesen. Stattdessen war das erste zentrale Ziel, die Originalstruktur und enthaltenen Informationen so detailgetreu wie möglich zu übernehmen. Gleichzeitig sollte Nutzer:innen eine möglichst vollständige Sicht auf die Daten ermöglicht werden. Dies bedingte das zweite zentrale Ziel des Mappings: eine beständige Rückverlinkung auf die Originaldaten – in diesem Fall mit Referenzen auf den jeweiligen Eintrag auf dem Portal niedersorbisch.de. Dadurch können für jedes Lemma schnell alle relevanten Informationen abgerufen werden, in vielen Fällen inklusive eines Faksimiles der Originalquelle.

Für die Durchführung des Mappings wurde ein Parser in Python implementiert, welcher insbesondere die lxml-Bibliothek zur Verarbeitung und Erzeugung von XML nutzt. Soweit möglich, orientiert sich das Mapping an den Empfehlungen der offiziellen Dokumentation von TEI Lex-0 zu strukturellem Aufbau und Wahl der einzelnen Elemente. Dadurch können in den meisten Fällen sehr akkurate Abbildungen erzeugt werden, wie man sie von einem in TEI Lex-0 kodierten digitalen Wörterbuch erwarten würde.

Hier sei beispielhaft ein Auszug des Eintrags für das Lemma „źiwny“ aufgeführt, welcher auch in der obigen Abbildung 2 des Portals der niedersorbisch-deutschen Wörterbücher aufgerufen wurde:

Stellenweise jedoch musste die Kodierung vereinfacht werden. So gibt es etwa für bestimmte in den Originaldaten auftretende Informationen (zum Beispiel „Ortsnamenbildung“) keine direkten Entsprechungen im Zielschema. Oder es konnten in manchen Fällen die von TEI Lex-0 gesetzten Vorgaben nicht eingehalten werden: So sieht das für Informationen zur Aussprache genutzte Element „pron“ eine vordefinierte Wertemenge für dessen Inhalt vor. Des Weiteren kann es nur als Kind einer sehr begrenzten Auswahl an Elementtypen auftreten. Beide Bedingungen sind jedoch in einigen Fällen für Zwahr 1847 und Muka 1911–1928 nicht einhaltbar.

Um die enthaltenen Informationen nicht gänzlich zu verlieren, wurde für diese Arten von Problemfällen oftmals auf ein generisches Element (wie „note“) zurückgegriffen. Dieses wurde zusätzlich mit einer entsprechenden Typisierung (wie im Fall der Ortsnamenbildung „note@type=‘toponymFormation‘“) versehen.

Es bietet sich hier jedoch natürlich auch die Chance für eine „bilaterale“ Entwicklung: Fälle dieser Art können zukünftig mit der TEI Lex-0-Community besprochen werden, um eventuelle Erweiterungen der Spezifikation zu ermöglichen. Erste produktive Gespräche mit der Community fanden bereits während der Laufzeit des Projekts statt und liefern gute Anknüpfungspunkte für die Zukunft. Wie schon erwähnt, umfasste das Mapping der niedersorbisch-deutschen Wörterbücher auch Bestrebungen zu weiteren Anreicherungen, zusätzlich zu solchen, die bereits im Kontext der ursprünglichen Digitalisierungen vorgenommen wurden. Dabei wurden standardisierte Werte zu Sprachbezeichnungen, grammatikalischen Ausdrücken und Part-of-Speech-Tags ergänzt. Solche normierten Angaben können insbesondere die inhaltliche Erschließung erleichtern: so können etwa in digitalen Anwendungen leichter bestimmte Wortarten gefiltert werden. Und durch die abgeschlossene Datenintegration in Text+ kann dies bereits in der Praxis angewandt werden. Comny.

Integration in die Infrastrukturen von Text+

Nach der erfolgreichen Erstellung der gemappten Daten konnten diese in die digitalen Infrastrukturen von Text+ integriert werden. Hierfür wurden zunächst passende Metadaten erstellt, inklusive der Registrierung persistenter Handles. Dies ermöglichte eine Aufnahme der Ressourcen in das Repositorium der Sächsischen Akademie der Wissenschaften zu Leipzig (SAW), eines der Datenzentren für lexikalische Ressourcen des NFDI-Konsortiums. Im SAW-Repositorium werden die Ressourcen archiviert und, soweit es ihre Lizenzen erlauben, direkt zum Download angeboten. Dank der Bereitstellung der Metadaten über das OAI-PMH-Protokoll können sie außerdem in verschiedenen Aggregatoren entdeckt werden.

Um zu gewährleisten, dass auch zukünftige Updates der Repräsentationen der Wörterbücher ihren Weg in die Infrastrukturen finden, wurde zudem ein git-basierter Ingest-Workflow entwickelt, mit welchem festgehaltene Neuerungen automatisch getestet und als dedizierte Releases in das SAW-Repositorium als separate Versionen eingepflegt werden können.

Eine weitere wichtige Anbindung ist der Import der Daten in einen von der SAW bereitgestellten Endpunkt der föderierten Inhaltssuche in Text+ (Federated Content Search, FCS). Hierfür wurden Kerninformationen der vorliegenden TEI Lex-0-XML-Daten via XSLT transformiert und dem Endpunkt übergeben. Der Mehrwert dieses Imports? Über Harvester wie der Suchmaske auf dem Webportal von Text+ stehen die vier Wörterbücher nun als Ressourcen zur Verfügung, deren Inhalte mit einer differenzierten Anfragesprache² durchsucht werden können.

Die angezeigten Ergebnisse liefern erste Informationen zu den gefundenen Worteinträgen und, noch wichtiger: einen Link, der uns wieder zurück an den Anfang führt – auf das Portal der niedersorbisch-deutschen Wörterbücher des SI. Eine runde Sache, diese Datenintegration!

Na zasejwiźenje!

Das Projekt (Laufzeit 1/2023 – 12/2023) wurde vom Sorbischen Institut / Serbski institut realisiert. In Text+ ist es der Datendomäne Lexikalische Ressourcen  zugeordnet. Ansprechperson im SI ist Prof. Hauke Bartels.

Quellen

Ernst Muka/Mucke: Słownik dolnoserbskeje rěcy a jeje narěcow / Wörterbuch der nieder-wendischen Sprache und ihrer Dialekte.
            Band 1 (A–N): St. Petersburg, Prag: Verlag der russischen und čechischen Akademie der Wissenschaften 1911–15, 1926 (Fotomechanischer Neudruck, Bautzen: Domowina Verlag 2008).
            Band 2 (O–Ź): Prag: Verlag der böhmischen Akademie für Wissenschaft und Kunst 1928 (Fotomechanischer Neudruck, Bautzen: Domowina-Verlag 2008).
            Band 3 (Familiennamen, Ortsnamen, Flurnamen, Nachträge): Prag: Verlag der böhmischen Akademie für Wissenschaft und Kunst 1928 (Fotomechanischer Neudruck, Bautzen: Domowina-Verlag 2008).

Manfred Starosta: Dolnoserbsko-nimski słownik / Niedersorbisch-deutsches Wörterbuch. Budyšyn/Bautzen: Ludowe nakładnistwo Domowina / Domowina-Verlag 1999.

Bogumił Šwjela: Dolnoserbsko-němski słownik. Budyšyn: Ludowe nakładnistwo Domowina 1961.

Johann Georg Zwahr: Niederlausitz-wendisch-deutsches Handwörterbuch. Spremberg 1847 (Fotomechanischer Neudruck. Bautzen: Domowina-Verlag 1989).

1. INSERT = Integration NiederSorbisch-deutscher Wörterbücher als lexikalischE Ressourcen in Text+ [↩]
2. Erik Körner et al.: „Federated Content Search for Lexical Resources (LexFCS): Specification“. Zenodo 2023. DOI: 10.5281/zenodo.7986303. [↩]

---

---