Werkstattreihe „Standardisierung von Forschungsdaten“ #02 Das Basisformat des Deutschen Textarchivs – Ein TEI-Standard zur Auszeichnung von Drucken und mehr
Autor*innen: Marius Hug, Karoline Lemke
Das Deutsche Textarchiv (DTA) ist ein Archiv für historische, deutschsprachige Texte und stellt auf seiner Plattform disziplinen- und gattungsübergreifende Sammlungen und Korpora zur Nachnutzung bereit. Für die Transkription und Annotation der Daten wird das DTA-Basisformat (DTABf) – ein im Projekt entwickelter TEI-Standard zur strukturierten Auszeichnung von historischen Drucken und anderen Textsorten – eingesetzt. Dieser Standard ermöglicht die konsistente Erfassung und Annotation von Texten und bildet die Grundlage für deren wissenschaftliche Analyse.
1. Das Deutsche Textarchiv – gestern und heute
Das von 2007 bis 2016 von der DFG geförderte Deutsche Textarchiv wurde mit dem Ziel geschaffen, einen disziplinübergreifenden Kernbestand deutscher Texte aus dem Zeitraum von etwa 1600 bis 1900 aufzubereiten.
Zu den zentralen Ergebnissen zählten:
- Das DTA-Kernkorpus (DTAK) als Grundlage für ein Referenzkorpus der neuhochdeutschen Sprache mit rund 1.500 Texten.
- Ein aktives Archiv (DTAE) mit Korpuserweiterungen aus externen Projektkontexten.
- Das DTA-Basisformat (DTABf) als Standard zur Textauszeichnung.
Im Kontext von Text+ stellt das DTA aktuell (Stand April 2025) etwa 40 historische, deutschsprachige Textsammlungen – ca. 100.000 Werke mit insgesamt 1,5 Milliarden Tokens – zur Nachnutzung bereit.
Das Angebot für alle Sammlungen des DTA umfasst:
- Bereitstellung von Forschungsdaten in verschiedenen Formaten mit freien Lizenzen
- Linguistische Korpusanalyse mit Hilfe von Annotations- und Abfragewerkzeugen des DWDS. Die Erschließung umfasst Funktionen wie Token-, Lemma- und POS-Analyse, orthographische Normierung, Indizierung mit der Suchmaschine DDC, sowie Tools wie DiaCollo, Wortverlaufskurven und externe Analysewerkzeuge
- Sichtbarkeit durch die DTA-Projektseite mit eigener Suche, Aufnahme in das Metakorpus „Historische Korpora (DTAXL)“ am DWDS und automatisierte Einträge in die Text+ Registry
2. Der Standard zur Textauszeichnung: TEI vs. DTABf
Für die Auszeichnung und Annotation der DTA-Volltexte wurde ein einheitlicher Formatstandard benötigt. Als Ausgangspunkt diente TEI (Text Encoding Initiative) P5, der De-facto-Standard zur Textauszeichnung in den Geisteswissenschaften.
Eine Herausforderung bei TEI-Annotationen ist die große Anzahl an verfügbaren Elementen und Attributen. Die aktuellen TEI-Guidelines enthalten Beschreibungen für 588 verschiedene XML-Elemente und 275 verschiedene Attribute. Diese Vielfalt führt zu Problemen wie Ambiguität, was am Beispiel der TEI-Auszeichnung von Personen deutlich wird:
<rs type="propNounPersName">Sokrates</rs>,
<name type="person">Platon</name> und
<persName role="philosopher">Aristoteles</persName>
waren Philosophen.
Das DTA-Basisformat hingegen ermöglicht eine umfassende Textaufbereitung bei gleichzeitiger Einschränkung der Variationsspielräume. Am Beispiel der Philosophen sieht die DTABf-Auszeichnung wie folgt aus:
<persName>Sokrates</persName>,
<persName>Platon</persName>
und <persName>Aristoteles</persName>
waren Philosophen.
Dadurch werden Ambiguitäten vermieden und die Interoperabilität verbessert.
Das DTABf – ein echtes Subset der TEI – dient als Format für die Auszeichnung von historischen Drucken (sowie Manuskripten und Zeitungen) und umfasst Richtlinien für Transkription und Annotation. Es verfügt über ein Schema (basisformat.odd) und eine ausführliche Dokumentation.
3. Die Anwendung und ihre Features
Die Verwendung eines Standards – z.B. des DTABf – hat zwei unmittelbare Vorteile. Wie erwähnt steigert es die Interoperabilität und die Kohärenz von Texten. Gleichzeitig beschränkt sie die Menge der potentiellen Annotationsmöglichkeiten – die allesamt TEI-valide wären – auf einen handhabbaren Umfang.
Ein weiteres wichtiges Argument für Standards sind natürlich die verschiedenen Nachnutzungsszenarien. Wer sich für die Verwendung von TEI entscheidet, dem steht eine ganze Palette von Werkzeugen, Tools, Skripten usw. zur Verfügung, die – bei konsequenter Einhaltung der Richtlinien – allesamt direkt angewendet werden könnten.
Und so besteht ein zentraler Nachnutzungskontext für das DTABf in der Möglichkeit der Verwendung der Korpusanalyse des Digitalen Wörterbuchs der Deutschen Sprache (DWDS). Das DWDS bietet verschiedene Möglichkeiten zur Analyse der im Basisformat annotierten DTA-Korpora. Im Folgenden sollen vier kurze Suchbeispiele einen ersten Eindruck vermitteln. Wichtig dabei ist, dass natürlich immer nur nach etwas gesucht werden kann, das auch explizit in den (Meta-)Daten festgehalten wurde.
- Suche in Werken eine[rs] bestimmten Autor[ie]n (
author)
Hier wird die Suche nach „Hand“ explizit auf Werke einer Autorin oder eines Autoren namens „Anzengruber“ eingeschränkt.
- Suche in Werken eines Normdatensatzes (bspw. GND)

Während hier ebenfalls das author-Feld angesteuert wird, ist nun nicht der Name, sondern die GND-Nummer für die Suche entscheidend. Das funktioniert natürlich nur, wenn die GND-Nummer auch hinterlegt ist. Ein wichtiger Use-Case einer derartigen Anfrage wäre die Suche nach Texten einer Person, die unter verschiedenen (gegebenenfalls einem selbst noch nicht einmal bekannten) Namen (Pseudonymen) publiziert hat.
- Suche in einer bestimmten Textsorte (
textClass)
Die Einschränkung der Suche auf bestimmte Textsorten ist ein sehr gängiges Verfahren. Für bestimmte Forschungsfragen ist eben nur die eine oder andere Textsorte von Relevanz.
Neben der DWDS-Suche steht für alle im Basisformat annotierten Forschungsdaten des DTA im Kontext von Text+ auch die Federated Content Search (FCS) zur Verfügung.

Hier wird beispielsweise für die Suche nach dem Begriff „Küste“ das Korpus um die Ressource „edition_humboldt letters“ erweitert. Eine solche Erweiterung des Suchraums mittels korpusübergreifender Suche bringt oftmals erhellende Einsichten in den Forschungsalltag.
4. Grenzen des Subsets und ein Lösungsansatz
Die Einschränkung des TEI-Tagsets kann im Alltag natürlich dazu führen, dass die eigenen Forschungsdaten Phänomene enthalten, die vom DTABf nicht abgedeckt sind.
Das muss aber noch lange kein Grund dafür sein, diesen Standard nicht zu verwenden. Im Folgenden wird am Beispiel eines konkreten Anwendungsfalls ein möglicher Umgang mit dieser Einschränkung aufzeigt.
In dem fiktiven Use-Case geht es um die Erstellung eines kleinen Korpus mit Novellen von Autoren und Autorinnen des 19. Jahrhunderts. Für die Annotation soll das DTABf verwendet werden. Im Laufe der Arbeiten entsteht der Wunsch, die Suche gezielt auf Autorinnen einschränken zu können. Dazu muss explizit festgehalten werden können, ob eine Person weiblich ist oder nicht.
Eine (mögliche) Lösung in TEI wäre folgende:
<teiHeader>
<fileDesc>...</fileDesc>
<profileDesc>
<particDesc>
<person sex="f">
<persName ref="http://d-nb.info/gnd/113665946">
<surname>Auer</surname>
<forename>Adelheid von</forename>
</persName>
</person>
</particDesc>
<!-- other profileDesc elements -->
</profileDesc>
</teiHeader>
Das Problem hierbei ist, dass weder <particDesc> noch <person> im Basisformat des DTA vorgesehen sind. Die Lösung besteht nun darin, das Basisformat mittels ODD-Chaining für diesen projektspezifischen Bedarf anzupassen und somit diese valide TEI-Annotation zu ermöglichen. Dafür werden das Schema basisformat.odd und das ROMA-Tool der TEI benötigt.
Der (in der Umsetzung vergleichsweise triviale) Anpassungsprozess umfasst:
- Das Hochladen der ODD des Basisformats in TEI-ROMA
- Die Anpassung, um
particDescundpersonzu erlauben - Das Herunterladen der angepassten ODD und des RNG-Schemas
- Die Validierung der eigenen Daten gegen das neue Schema
Die angepasste Version ermöglicht nun die gewünschte Annotation und in der Folge die gezielte Korpusanalyse der DTA-Ressource.
Wrap-Up
Das DTA-Basisformat stellt einen wichtigen Beitrag zur standardisierten Textauszeichnung in den Digital Humanities dar. Es verbindet die Vorteile der TEI mit einer klaren Einschränkung der Variabilität, was die Interoperabilität und Vergleichbarkeit der ausgezeichneten Texte verbessert. Durch die Möglichkeit der projektspezifischen Anpassung bleibt das Format flexibel genug, um auf besondere Anforderungen reagieren zu können. Das DTABf hat sich als Standard etabliert und wird von verschiedenen Projekten und Institutionen genutzt und empfohlen. Diese breite Akzeptanz unterstreicht die Bedeutung standardisierter Formate für die digitale Erschließung und Analyse historischer Texte.
Links/Kontakt
- E-Mail: redaktion@deutschestextarchiv.de
- DTA: https://www.deutschestextarchiv.de/
- DTABf: https://www.deutschestextarchiv.de/doku/basisformat/
- DFG-Empfehlungen: https://www.dfg.de/de/grundlagen-themen/grundlagen-und-prinzipien-der-foerderung/forschungsdaten/empfehlungen
- Empfehlungen des DFG-Fachkollegiums 104 “Sprachwissenschaften” (2019)
- Fachkollegium “Literaturwissenschaften” zu Förderkriterien für wissenschaftliche Editionen in der Literaturwissenschaft (2015)
- DWDS: https://www.dwds.de/
- TEI: https://tei-c.org/
OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren:
Marius Hug (26. Mai 2025). Werkstattreihe „Standardisierung von Forschungsdaten“ #02 Das Basisformat des Deutschen Textarchivs – Ein TEI-Standard zur Auszeichnung von Drucken und mehr. Text+ Blog. Abgerufen am 23. Januar 2026 von https://doi.org/10.58079/140jc



