Ressourcen-Reigen, #3: DTA@NFDI. Historische, deutschsprachige Texte und ihr „place to be“

Autor:innen: Marius Hug, Susanne Haaf

In dem auf Text- und Sprachdaten fokussierten NFDI-Konsortium Text+ ist das Deutsche Textarchiv (DTA) als Archiv für historische, deutschsprachige Texte der Datendomäne „Sammlungen“ zugeordnet. In diesem Blogpost stellt sich das DTA vor und erläutert die Verbindung zur NFDI. Auf diese allgemeine Einführung werden weitere Beiträge folgen, die Besonderheiten und Herausforderungen historischer Texte als Forschungsdaten an unterschiedlichen Beispielen beleuchten.

Ein (historischer) Blick auf das DTA

Die Geschichte der Digital Humanities ist auch eine Geschichte der Repositorien. Diese waren und sind der Ort, an dem die Daten aus einem Digitalisierungsprojekt schließlich landen (sollten). Dabei stellen Repositorien nicht nur die digitalisierten Texte bereit, sondern bieten für diese gewöhnlich auch eine Präsentation an.

Im Laufe der Zeit wurden aus digitalen Repositorien virtuelle Forschungsumgebungen (Virtual Research Environments, VREs). Dabei kam es zu einem markanten Zuwachs an Leistungen. VREs übernahmen die Aufgabe, Daten zu erfassen, eine (Text-Bild-)Darstellung der Daten zu gewährleisten und darüber hinaus Suchfunktionen, Schnittstellen sowie Werkzeuge zur Datenanalyse bereitzustellen inklusive Visualisierungen, Möglichkeiten zur Interaktion mit den Daten wie zum Beispiel persistente Lesezeichen, kooperative Annotationen und Kommentierungen inklusive dauerhafter Speicherung, etc. etc. Kurz: Es fand eine regelrechte Verschmelzung von Daten und Diensten statt.

In den letzten Jahren gab es parallel zu diesen Entwicklungen bedeutende technische Fortschritte im Bereich der automatischen Zeichenerkennung (OCR).1 Das hatte zum Ergebnis, dass die Menge der verfügbaren digitalen Texte um ein Vielfaches angestiegen ist, wodurch sich ein grundsätzliches Problem der bisherigen Praxis zeigte: Die eigentlich langfristig und betriebssystemunabhängig nutzbaren Texte waren mit der Software zu ihrer Darstellung und Erschließung insofern eine verhängnisvolle Liaison eingegangen, als der Aufwand für Wartung und Pflege dieser Ressourcen durch die ständig erforderliche Anpassung an technische Weiterentwicklungen natürlich viel höher ist.2 Und wenn dieser Aufwand für kleine bis mittelgroße Korpora von vielen Institutionen bis dato noch geleistet werden konnte, so wurden diese spätestens durch die per OCR erfassten Textmengen vor immer größere Herausforderungen gestellt.

Das an der Berlin-Brandenburgischen Akademie der Wissenschaften (BBAW) eingerichtete Deutsche Textarchiv (DTA) für Texte des historischen Neuhochdeutschen ist Teil dieser Geschichte. Das DTA startete 2007 als von der Deutschen Forschungsgemeinschaft (DFG) gefördertes Projekt mit dem Ziel der Erstellung eines Korpus von digitalisierten Texten aus einem Zeitraum von ca. 1600 bis 1900. Das sogenannte DTA-Kernkorpus war konzipiert als Grundlage für ein Referenzkorpus der neuhochdeutschen Sprache. Die darin enthaltenen Texte dokumentieren die Entwicklung einer überregionalen Umgangssprache im hochdeutschen Sprachraum seit dem Ende der frühneuhochdeutschen Sprachperiode.

Screenshot der Startseite des Deutschen Textarchivs vom Juli 2013 (per www.archive.org)
Screenshot der DTA-Startseite, Juli 2013
(per www.archive.org)

Als sprachwissenschaftlich orientiertes Korpusprojekt mit einem zusätzlichen literatur- und bibliothekswissenschaftlichen Fokus waren die Projektziele der ersten Förderphase:

  • Digitalisierung von ca. 750 Texten (ca. 200.000–250.000 Druckseiten) aus dem Zeitraum 1780–1900
  • Bereitstellung der Bilddigitalisate und der Volltexte (XML/TEI-P5)
  • Verknüpfung von Volltext und Bild für die Leseansicht
  • Bereitstellung einer linguistischen Grundannotation

Ab 2010 erfolgte mit dem Ziel des „Aufbaus eines Aktiven Archivs“ im Rahmen einer zweiten Förderphase die weitere Öffnung des DTA hin zur Community: Neben der gezielten Erweiterung des Kernkorpus um Texte aus dem Zeitraum 1650 bis 17803 konnten über das sogenannte Modul DTAE (E für Erweiterung) Korpora aus verschiedenen Projektkontexten aggregiert werden.

Ein Balkendiagramm, dass die im Deutschen text Archiv verfügbaren Werke nach Genre und Dekade aufschlüsselt.
Visualisierung der im DTA verfügbaren Werke nach Genre und Dekade

Für all diese Korpora des DTA wurde der projektspezifisch entwickelte Auszeichnungsstandard DTA-Basisformat (DTABf) zugrunde gelegt. Dabei handelt es sich um ein Subset des von der Text Encoding Initiative (TEI) entwickelten TEI P5 Standards, dem De-facto-Standard zur Auszeichnung geisteswissenschaftlicher Texte.

Basisformat des Deutschen Textarchivs (DTABf), Screenshot. Angezeigt wird die Seite "Grundsätzliches zur Transkription" (https://deutschestextarchiv.de/doku/basisformat/trGrundsaetze.html).
Basisformat des Deutschen Textarchivs (DTABf), Screenshot

Um die historischen Texte als möglichst breit nachnutzbare Forschungsdaten bereitstellen zu können, arbeitet das DTA eng mit dem Akademienvorhaben Digitales Wörterbuch der deutschen Sprache (DWDS) im Zentrum Sprache der BBAW zusammen. Dabei stellt der Umgang mit historischen Schreibweisen eine besondere Herausforderung für die Bereitstellung der Korpora des DTA dar. Hierfür wurde im Rahmen des DTA eine Software zur orthographischen Normierung und linguistischen Analyse der historischen Texte entwickelt, welche inzwischen im Kontext des DWDS weiter gepflegt wird. Im Zusammenspiel mit den DWDS-Tools werden die historischen Texte weiterhin sukzessive durch (computer-)linguistische Methoden aufbereitet. Dabei handelt es sich um ein wichtiges Alleinstellungsmerkmal der Infrastruktur des Zentrums Sprache an der BBAW.

Für die im DTA bereitgestellten Textressourcen wird nicht nur eine schreibweisentolerante Suche ermöglicht, sondern es stehen auch verschiedene Tools zur Korpusanalyse4 bereit. Die Kooperation mit dem DWDS ermöglicht beispielsweise folgende Features:

Die Sammlungen des DTA stehen in der Regel unter der Lizenz CC-BY SA 4.0 zur Verfügung, d. h. urheberrechtliche Beschränkungen sind grundsätzlich kein großes Problem.

Das DTA im NFDI-Kontext

Das DTA dient der Datendomäne „Text- und sprachbasierte Sammlungen“ im Text+-Cluster „Historische Texte“ als Archiv für historische, deutschsprachige Texte. Die etablierten Workflows des DTA werden im Kontext der Nationalen Forschungsdateninfrastruktur (NFDI) weiterentwickelt. Wie bislang spielt neben der Transformation der Ausgangsdaten in das Zielformat TEI P5/DTABf der Bereich Metadaten eine zentrale Rolle. Jedes Werk im DTA wird mit umfangreichen standardkonformen Metadaten ausgeliefert. Auf Grundlage dieser Datensätze werden vollautomatisiert Derivatformate generiert und bereitgestellt.

Anzeige von drei Sammlungen historischer Texte im Deutschen Textarchiv: Briefwechsel Daniel Sander, Die Grenzboten (1841-1922), Texte der ersten Frauenbewegung.
DTA-Sammlungsübersicht

Als Neuerung für DTA@NFDI wird der Dateningest weiterentwickelt. Abhängig vom Bearbeitungszustand der Textressource kann eine neue Sammlung über eine menschen- und maschinenlesbare (schema-orientierte) Beschreibung in die Infrastruktur integriert werden. Das heißt zunächst, dass sie automatisch sowohl in der Korpusübersicht wie auch gegebenenfalls über eine Landingpage veröffentlicht wird. Da die Sammlungsbeschreibung wiederum als Grundlage für die perspektivische Integration in das zentrale Text+-Nachweissystem (Text+-Registry) dienen soll, ist damit auch die Grundlage für eine konsortienweite Sichtbarkeit der DTA-Sammlungen im Kontext der NFDI geschaffen.

Ausblick

Im Kontext der NFDI liegt der Fokus des DTA auf der Bereitstellung von Forschungsdaten. Damit wird den inzwischen üblich gewordenen Nachnutzungsszenarien Rechnung getragen, in denen Forscherinnen und Forscher ihre Daten zunehmend autonom analysieren möchten. Durch das Zusammenspiel mit den über das DWDS bereitgestellten Werkzeugen zur Analyse historischer Korpora und Daten steht eine vollwertige Infrastruktur zur Korpusanalyse zur Verfügung.

Konkret verfolgt DTA@NFDI folgende Ziele:

  • Die (weiterhin) konsequente Verwendung von Standards, die sowohl menschen- als auch maschinenlesbar sind,
  • die gezielte Kuration von Daten und Metadaten, die nicht zuletzt als Voraussetzung für die Integration in übergreifende NFDI-Nachweissysteme dient,
  • eine strikte Trennung von Daten und Diensten, die modular aufeinander bezogen sein sollen.

FAKTENBOX

ProjekttitelDeutsches Textarchiv (DTA)
Affiliation / Partner Zentrum Sprache der Berlin-Brandenburgischen Akademie der Wissenschaften (BBAW)
Digitales Wörterbuch der deutschen Sprache (DWDS)
Zentrum für digitale Lexikographie der deutschen Sprache (ZDL)
ProjekttypTextarchiv / Repositorium
Task Area in Text+Sammlungen
MaterialgrundlageDrucke, Handschriften
TextsortenBelletristik, Gebrauchsliteratur, Wissenschaft, Zeitungen
Disziplin(en)Philologie, Geschichtswissenschaften u. a.
Zeitraumfrühes 17. bis frühes 20. Jahrhundert
SpracheDeutsch

Kontakt: redaktion@deutschestextarchiv.de

Literatur:

Geyken, Alexander u. a.: Das Deutsche Textarchiv als Forschungsplattform für historische Daten in CLARIN. In: Lobin, H./Schneider, R./Witt, A. (Hrsg.): Digitale Infrastrukturen für die germanistische Forschung (= Germanistische Sprachwissenschaft um 2020, Bd. 6). De Gruyter, 2018, S. 219–248. Online-Version, DOI: 10.1515/9783110538663-011.

Geyken, Alexander u.a.: Das Deutsche Textarchiv: Vom historischen Korpus zum aktiven Archiv. In: Schomburg, S. u. a. (Hrsg.): Digitale Wissenschaft. Stand und Entwicklung digital vernetzter Forschung in Deutschland, 20./21. September 2010. Beiträge der Tagung. 2., ergänzte Fassung. hbz, 2011, S. 157–161.

Haaf, Susanne/Boenig, Matthias/Hug, Marius: Das Deutsche Textarchiv gestern und heute. In: Bender, M./Jacob, K. (Hrsg.): Digitales Forschen. Daten – Werkzeuge – Methoden (= Mitteilungen des Deutschen Germanistenverbandes, Bd. 69, Nr. 2). V & R unipress, 2022, S. 127–134.

Zitiervorschlag
Marius Hug/Susanne Haaf: Ressourcen-Reigen, #3: DTA@NFDI. Historische, deutschsprachige Texte und ihr „place to be“, in: Text+ Blog, 17.01.2023, https://textplus.hypotheses.org/3220.

Beitragsbild: Virgilius Solis d.Ä. (1514-1562), Reigen der neun Musen, Kupferstich-Kabinett Dresden.

  1. Beispielhaft sei hier auf das von der DFG mittlerweile in einer dritten Phase geförderte Projekt OCR-D verwiesen, dessen Hauptziel es ist, die Volltexttransformation der Verzeichnisse der im deutschen Sprachraum erschienenen Drucke des 16.–18. Jahrhunderts (VD 16, VD 17, VD 18) konzeptionell und technisch vorzubereiten. []
  2. Die Einführung des sogenannten DFG-Viewers auf Basis des METS-Standards kann als Reaktion auf genau diese Problematik verstanden werden. []
  3. Der Korpusaufbau wurde schließlich in einer finalen dritten Förderphase von 2014–2016 abgeschlossen. []
  4. DWDS-Werkzeuge für die statistische Analyse des Wortschatzes: https://www.dwds.de/stats. []

You may also like...

Leave a Reply

Your email address will not be published.

This site uses Akismet to reduce spam. Learn how your comment data is processed.

Search OpenEdition Search

You will be redirected to OpenEdition Search