Ressourcen-Reigen, #4: Corpus of Novels of the Spanish Silver Age im TextGrid Repositorium

Das Projekt TextGrid (TG) war ein Pionier der Digital Humanities und geisteswissenschaftlicher Forschungsinfrastrukturprojekte. Die zwei Hauptkomponenten von TextGrid sind das Repository (oder TGR) und das Lab. Im Lab können Wissenschaftlerinnen und Wissenschaftler ihre Editionen digital bearbeiten und anschließend im Repositorium veröffentlichen.

Einen besonderen Platz im Repositorium nimmt das Korpus Digitale Bibliothek ein, eine Sammlung literarischer Texte und eines der größten offenen und in TEI kodierten Korpora. Tatsächlich ist diese Sammlung so zentral für das TextGrid Repository, dass es für viele kaum möglich ist, zwischen dieser Sammlung und dem Repositorium zu unterscheiden. Da die Digitale Bibliothek (mit wenigen Ausnahmen) nur deutschsprachige Texte enthält, ist das Repositorium in der Germanistik und den deutschsprachigen DH sehr bekannt, in anderen Disziplinen und Ländern bislang jedoch kaum.

Sowohl das Lab als auch das Repository wurden im Rahmen des TextGrid-Projekts entwickelt und anschließend in die DARIAH-DE-Infrastruktur übernommen.

Seit 2021 gehört das TextGrid Repository auch zum Portfolio von Text+. Die Integration bereits bestehender Projekte ist eines der Ziele der NFDI-Konsortien. Genau dies soll mit TGR geschehen: Das Göttinger Text+ Team der SUB arbeitet derzeit daran, verschiedene neue Funktionen und Möglichkeiten für das Repositorium anzubieten, unter anderem den Import und die Veröffentlichung von bereits existierenden Korpora in TEI. Dies bedeutet, dass auch Texte, die nicht im TG Lab kodiert wurden, einfacher im TG Repository veröffentlicht werden können.

In einem ersten Schritt wurde ein Korpus spanischer Romane in TGR veröffentlicht, das Corpus of Novels of the Spanish Silver Age oder CoNSSA. Dieses Korpus wurde vor einigen Jahren für eine Dissertation im Rahmen des CLiGS-Projekts unter der Leitung von Christof Schöch am Lehrstuhl von Fotis Jannidis an der Universität Würzburg zusammengestellt.¹ Jetzt arbeitet die Person, die für dieses Korpus verantwortlich ist, in Text+. Die Tatsache, dass dieselbe Person sowohl für den Support von Text+ zuständig ist als auch Entscheidungen für das Korpus treffen kann, war ein klarer Vorteil, der es zu einem beispielhaften Pilotprojekt werden ließ.

Das Korpus enthält Romane spanischer Autoren, die zwischen 1880 und 1939 erstmals veröffentlicht wurden. Das Originalkorpus umfasst insgesamt 358 Prosatexte, von denen aus urheberrechtlichen Gründen derzeit nur 219 veröffentlicht werden können. Es wurde unter Berücksichtigung der Daten zweier maßgeblicher monographischer Literaturgeschichten erstellt. Jeder Text ist mit verschiedenen Arten von Metadaten annotiert. Ausführliche Beschreibungen dieses Korpus’ wurden bereits auf Englisch und Spanisch veröffentlicht.

Das Korpus umfasst Romane aus kanonisierten Gattungen des Romans wie dem realistischen, philosophischen, Gesellschafts- oder Bildungsroman, aber auch aus populären Gattungen wie dem Humor-, Abenteuer- oder Erotikroman. In der Dissertation wurden verschiedene Forschungsfragen mit Hilfe von NLP²-Methoden, Graph-Modellen, linguistischen Merkmalen und qualitativen Metadaten untersucht: Ist es möglich, Werke anhand sprachlicher Merkmale in Untergattungen zu klassifizieren? Warum funktioniert die Klassifikation bei einigen Untergattungen besser als bei anderen? Funktioniert der Algorithmus besser, wenn qualitative Daten zur Verfügung stehen? Kann ein Werk mehreren Gattungen angehören? Einer stärker als einer anderen? Gibt es Methoden, um Gattungen zu identifizieren, die bisher übersehen wurden? Schließlich wurde ein Graph-Modell vorgeschlagen, das die Werke (grüne Knoten), die Merkmale (blaue Knoten) und die Gattungen (violette Knoten) und ihre Beziehungen berücksichtigt und auch visualisiert:

Worum geht es in den Romanen dieses Korpus? Welches sind die Merkmale, die die Gattungen dieser Epoche am besten beschreiben? Dazu kann die statistische Auswertung der verschiedenen literarischen Informationen verwendet werden, die manuell (bzw. intellektuell) als Metadaten annotiert wurden:

Typically, the novel of the silver age is written by a male author (92% of the corpus), with a heterodiegetic narrator (69%), whose protagonist is a male (77%), medium-class (63%) adult (55%), who lives a story that takes place in Europe (90%), Spain (78%). More specifically, in a big city (47%) like Madrid (29%), in contemporary times (94%) of a realistic world (89%) that does not resemble the author’s life (72%). The action lasts around one year (30%) and it clearly has a sad ending (50%).

José Calvo Tello, The Novel in the Spanish Silver Age: A Digital Analysis of Genre Using Machine Learning, Bielefeld 2021, p.145.

Diese als Metadaten kodierten literarischen Phänomene wurden in der Dissertation detailliert beschrieben, darunter z. B. der Ort der Handlung, der im DARIAH-DE Geo-Browser visualisiert und zur weiteren interaktiven Exploration zur Verfügung steht.

Es soll nicht verschwiegen werden, dass die angemessene Veröffentlichung von Korpora und allgemein von Forschungsdaten in Repositorien mit einem gewissen Zeit- und Arbeitsaufwand verbunden ist. Leider fallen diese Aufgaben oft erst in der Endphase des Projekts an, wenn Zeit und Kapazitäten knapp werden. Daher ist es sehr wichtig, dass Projekte wie Text+ diese Arbeit aktiv unterstützen.

Das hier vorgestellte Korpus wurde bereits auf GitHub und Zenodo zur Verfügung gestellt. Die Veröffentlichung von CoNSSA in TGR war zeitaufwändiger als jene in GitHub oder Zenodo. Allerdings profitieren sowohl Forschende als auch alle anderen Nutzenden von mehr Funktionen, wenn die Daten in spezifischen und nicht nur in generischen Repositorien verfügbar sind:

• TGR bietet verschiedene Möglichkeiten, Texte zu suchen, zu filtern, mit anderen Korpora zu kombinieren, manuell zu annotieren oder mit anderen Werkzeugen zu analysieren.
• Jedes Korpus und jedes Objekt im Korpus werden mit persistenten Identifikatoren versehen und es werden Zitiervorschläge generiert.
• Jedes TEI XML-Dokument in TGR wird auch in HTML transformiert und veröffentlicht, was die allgemeine Sichtbarkeit und Nutzbarkeit erhöht.
• Als Repositorium wird TGR von anderen fachspezifischen Plattformen gehostet, so dass diese Texte auch auf anderen Plattformen gefunden werden können.
• Dies sind einige der aktuellen Vorteile, die Forschende und Nutzende durch die Veröffentlichung in TGR haben, aber das Repositorium entwickelt sich kontinuierlich weiter, so dass Korpora und Sammlungen auch in Zukunft davon profitieren werden, ohne dass deren Ersteller oder Bereitsteller selbst aktiv werden müssen. Beispielsweise wird derzeit eine Python-Bibliothek entwickelt, um mit den Metadaten und Texten in TGR arbeiten zu können.

Das ist nur ein erster Schritt mit einem mittelgroßen Korpus. Wir haben bereits eine weitere wichtige Community-Ressource in der Pipeline und Gespräche über weitere Ressourcen sind im Gange. Sie werden bald wieder von TextGrid hören!

---

FAKTENBOX

Projekttitel	Corpus of Novels of the Spanish Silver Age (CoNSSA) im TextGrid Repository
Förderinstitution	DFG
Affiliation / Partner	SUB Göttingen
Projekttyp	Korpus / Repositorium
Task Area in Text+	Sammlungen
Materialgrundlage	Romane
Disziplin(en)	Philologie, Romanistik, Hispanistik, Literaturwissenschaft
Zeitraum	1880-1939
Sprache	Spanisch
Geografische Einordnung	Spanien

Zitiervorschlag
José Calvo Tello: Ressourcen-Reigen, #4: Corpus of Novels of the Spanish Silver Age im TextGrid Repositorium, in: Text+ Blog, 09.03.2023, https://textplus.hypotheses.org/4060.

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

1. José Calvo Tello, The Novel in the Spanish Silver Age: A Digital Analysis of Genre Using Machine Learning, Bielefeld 2021. [↩]
2. Natural language processing. [↩]

---

---