Ressourcen-Reigen, #6: stimm-los im Deutschen Textarchiv. Public-private-Partnership als Erfolgsmodell

Autoren: Marius Hug, Andreas Hungeling

Das stetig anwachsende Korpus stimm-los im Deutschen Textarchiv (DTA) enthält literarische Werke deutscher Schriftstellerinnen aus dem Zeitraum 1750 bis 1920. Diese sind zunächst in der von Dr. Andreas Hungeling gegründeten Verlagsbuchhandlung erschienen, deren Ziel es ist, Texte, die zum Großteil in Vergessenheit geraten sind, in Form von Büchern wieder einem breiten Kreis von Leser:innen zugänglich zu machen. In enger Zusammenarbeit zwischen Verlagsbuchhandlung und dem Deutschen Textarchiv (DTA) an der Berlin-Brandenburgischen Akademie der Wissenschaften (BBAW) werden Texte so an das DTA übergeben, dass eine möglichst automatisierte Weiterverarbeitung erfolgen kann. Im folgenden Blog-Beitrag sollen die kollaborative Arbeit an den Texten sowie die Motivation der beteiligten Institutionen thematisiert werden.

Ausgangslage

In der Reihe Wiedergefundene Perlen der Literatur erscheinen in der Dr. Hungeling Verlagsbuchhandlung seit 2020 gemeinfreie literarische Werke. Die Texte aus dem späten 18. bis zum frühen 20. Jahrhundert – es handelt sich bevorzugt um Erstausgaben – wurden ursprünglich größtenteils in Fraktur gesetzt und werden als EPUB oder als BoD (Books on Demand) vergleichsweise günstig zum Verkauf angeboten (s. Abb. 1). In wenigen Fällen handelt es sich dabei um bereits digitalisierte Werke, die zum Beispiel im Deutschen Textarchiv veröffentlicht wurden. Das bedeutet, dass der erste Arbeitsschritt nach Recherche und Metadatenaufnahme in der Regel die Transkription der Texte von Fraktur in Antiqua umfasst. Dabei werden die damals gültigen Rechtschreibregeln, die Grammatik und Satzbildung beibehalten. Lediglich Anführungszeichen bei der wörtlichen Rede werden teilweise nachgearbeitet, ebenso offensichtliche Druckfehler korrigiert, sehr selten erfolgt eine Überarbeitung der Absatzstruktur. Die Transkription erfolgt von Hand oder per OCR mit anschließender Kontrolle.

Die Zusammenarbeit in Text+

Zum Zeitpunkt der Antragstellung für das NFDI-Konsortium Text+ bestand bereits eine enge Zusammenarbeit zwischen der Verlagsbuchhandlung und dem DTA. So wurden gemeinfreie im DTA publizierte Werke in ein EPUB-Format umgewandelt und über den Verlag zum Verkauf angeboten. In diesem Zuge konnten einzelne an das DTA zurückgemeldete Transkriptionsfehler korrigiert werden. Außerdem wurde die Übergabe von neu transkribierten Werken an das DTA zur Integration in die Infrastruktur von Text+ vorbereitet. Die Kooperation mündete in einer von Andreas Hungeling verfassten User Story: Enhancing the Corpus of German Literature from 1750-1920: Re-publishing canonical and forgotten (Women) Writers online and in Print. Die Herausforderungen auf Seiten des DTA bestehen darin, einen (möglichst automatisierbaren) Workflow zu entwickeln, der darauf angelegt ist, dass das Korpus sukzessive erweitert wird, und außerdem ein niedrigschwelliges Angebot für die Übergabe der Daten machen zu können.

Datenübernahme

Standardmäßig werden in das DTA Daten integriert, die analog zum Basisformat des Deutschen Textarchivs (DTABf) – einem echten Subset des TEI-P5-Standards, des De-facto-Standards zur Auszeichnung geisteswissenschaftlicher Texte – kodiert sind. Um diese Kodierung vornehmen zu können, müssen die Daten vor der Übernahme auf eine bestimmte Art und Weise vorbereitet werden.

Die Novellen für das Korpus stimm-los wurden jeweils als EPUB übergeben, die zugehörigen bibliographischen Metadaten, Transkriptionshinweise sowie Druckfehler jeweils in einem zuvor abgesprochenen XML-Format. Für jedes Werk wurden demnach vier Dateien übergeben. Außerdem wurde eine Sammlungsbeschreibung angefertigt, die die Grundlage der Bereitstellung der Ressource in der DTA-Infrastruktur (s. Abb. 2) darstellt sowie perspektivisch die Sichtbarkeit im zentralen Nachweissystem von Text+ garantiert.

Dateningest

Für die Datenübergabe und weitere Arbeit an den Texten wurde ein Github-Repository (s. Abb. 3) angelegt. Dort können die in mehreren Schritten zu bearbeitenden Daten transparent archiviert werden. Außerdem stellt Github ein Ticketsystem bereit, das für verschiedene Kommunikationsabläufe genutzt werden kann. Und schließlich kann die Projektdokumentation ebenfalls dort vorgenommen werden.

Kuration, Transformation und Integration

Der Arbeitsschritt der Kuration basiert auf einer strikten Trennung von Daten und Metadaten. Dieser ursprünglich im Infrastrukturprojekt CLARIAH-DE entwickelte und mittlerweile mehrfach nachgenutzte Workflow sieht vor, dass es neben den eigentlichen Textdateien eine zentrale Datei für die bibliographischen Metadaten aller Werke gibt. Gleiches gilt hier für die gegebenenfalls von Werk zu Werk verschiedenen Transkriptionsrichtlinien sowie die Druckfehler. Über projektspezifische Identifier werden diese Metadaten den Werken skriptbasiert zugeordnet. Zuvor jedoch müssen die Texte in mehreren Schritten vom Ausgangsformat EPUB in das Zielformat DTABf konvertiert werden. Die zunächst mittels des Unix-Tools pandoc von EPUB nach XML konvertierten Texte werden unter Verwendung verschiedener XSL-Transformationen angereichert und in das Basisformat des DTA umgewandelt. Sofern die Dateien bei der Datenübernahme einem einheitlichen Standard entsprechen, kann dieser Schritt vollautomatisiert erfolgen.

Dennoch können dabei Probleme auftauchen. Eine typische Komplikation bei der Konvertierung von EPUBs besteht bspw. in der Verwendung des Elements <p> für eine Zeile. Das bedeutet, dass jedes schließende Element </p> gleichbedeutend mit einem Zeilenumbruch ist. Gemäß der TEI-Richtlinien steht <p> für Paragraph und sollte demnach eigentlich für die Annotation von Absätzen verwendet werden. Die Zeile hingegen wird in TEI regelkonform mit einem „linebreak“ (<lb/>) beendet. Wenn nun aber <p> für die Zeile verwendet wird, besteht die Schwierigkeit in der Markierung des Absatzes. Dazu kann eine XSLT-Funktion zur Gruppierung von Elementen genutzt werden. Das funktioniert aber natürlich nur so lange, bis das Korpus doch eine Datei enthält, in der das <p> für die Annotation von Absätzen verwendet wurde.

Während die Wahrscheinlichkeit für solche Inkonsistenzen bei der Annotation mit der Korpusgröße anwächst, bieten sich zur Lösung dieser Problematik zwei Wege an:

1. Vorherige Absprachen und eine Kontrollschleife, die Ausreißer aussortiert bzw. zurückspielt, das heißt die eigentliche Transformation bleibt überschaubar komplex und die Kuration der Ausgangsdaten erfolgt vor der eigentlichen Transformation in das Zielformat.
2. Das XSL-Stylesheet wird (immer wieder) entsprechend angepasst und deckt möglichst alle Fälle ab.

Fazit/Ausblick

Für das anfangs mit rund 25 Novellen gestartete und somit in seinem Umfang vergleichsweise überschaubare Korpus stimm-los wurde die etablierte Github-Infrastruktur für den Dateningest verwendet. Neue Texte inklusive zugehöriger Metadaten werden dort eingestellt und über einen sogenannten Pull Request angemeldet. Nachdem die Daten die DTA-Qualitätssicherung durchlaufen haben, werden sie skriptbasiert in das Zielformat TEI/DTABf transformiert. Alle für die Kuration der Texte benötigten Metadaten wurden als XML-Dateien übergeben. Dies funktionierte in der Zusammenarbeit zwischen DTA und Verlagsbuchhandlung nach gut dokumentierten Standardvorgaben ohne jegliche Schwierigkeiten. Da sich die in XML verwendeten „spitzen Klammern“ aber zugegebenermaßen auch heute noch nicht überall gleicher Beliebtheit erfreuen, ist bereits eine weitere Vereinfachung der Metadatenaufnahme und -übergabe in Arbeit.

---

FAKTENBOX

Zitiervorschlag
Marius Hug/Andreas Hungeling: Ressourcen-Reigen, #6: stimm-los im Deutschen Textarchiv. Public-private-Partnership als Erfolgsmodell, in: Text+ Blog, 27.07.2024, https://textplus.hypotheses.org/6193.

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

---

---