Daten, Vernetzung von Daten und Datenhuberei: Warum für mich Text+ wichtig ist – eine gedankliche Zeitreise

Vernetzungen von Informationen interessieren mich schon immer. Das muss ich vorwegschicken, da solche Vernetzungen zu sehr vielen unterschiedlichen Forschungsfragen gehören, die ich mir im Laufe der Zeit gestellt habe. Und ein großer Teil meiner Faszination für die Angebote von Text+ geht darauf zurück, dass die Beantwortung dieser Forschungsfragen mit der Vernetzung von Forschungsdaten zu tun hat. Forschungsfragen, wie sie von den verschiedenen Partnern in Text+ bearbeitet werden.  Durch diese Partner werden auch die Forschungs-Daten und -Werkzeuge in einer Infrastruktur verknüpft. Vor diesem Hintergrund ist dieser Beitrag ein persönlicher Blick auf Text+.

Aber vielleicht fange ich mit einem Rückblick auf meine Ausbildung an: In einer meiner ersten Hausarbeiten im Anglistik-Studium – keine Arbeit, auf die ich stolz sein müsste – ging es um die Erstellung einer kommentierten Edition eines Buches. Durch die Verknüpfung von Sekundär- und Primärliteratur ging es um eine tiefere Erschließung des Textes. Schon damals erschien mir eine digitale Verknüpfung sinnvoll, auch wenn dies nicht Gegenstand dieser Arbeit war. In der Task Area Editionen in Text+ werden – natürlich nicht auf dem Niveau eines Studierenden im zweiten Semester – digitale Editionen und Angebote rund um diese besonderen Datensätze geplant. Ich bin gespannt, welche Editionen dadurch zugänglich und welche Informationen mit digitalisierten Versionen im Editionsbereich verknüpfte werden.

Im fortgeschrittenen Studium beschäftigte ich mich mit der digitalen Dekomposition narrativer Strukturen in einem Roman und der Rekomposition unterschiedlicher Erzählstränge. Die Digitalisierung des Romans hatte bereits jemand anders übernommen, so dass ich dafür diese Daten nachnutzen konnte und nicht selbst das Buch digitalisieren (damals hieß das stumpfes Abtippen) musste. Fragen der Zugangsrechte und Provenienz stellten sich mir damals nicht. Ich hätte mir gewünscht, auch Kommilitonen Zugriff auf diese Daten geben zu können. Aber dieser Zugriff hätte eine Verletzung der geistigen Eigentumsrechte an dem Roman dargestellt. Hätte ich damals schon Zugang zu digitalisierten Romanen gehabt, wie sie heute von Text+ Partnern wie der BBAW mit dem Deutschen Textarchiv bereitgestellt werden, dann hätte ich wahrscheinlich mit einem anderen Roman gearbeitet und die Ergebnisse verbreiten dürfen. Daher verstehe ich, warum die Daten- und Kompetenzzentren zum Beispiel in der Task Area Sammlungen so viel Wert darauf legen, einen rechtskonformen Zugang zu (Text-)Daten anbieten zu können. Wenn Text+ es über die Registry ermöglicht, Zugangswege zu den digitalen Daten von Partnern zu identifizieren, dann wird das eine immense Erleichterung für das Heer der Studierenden und Forschenden sein, die für ihre Forschungsfragen Daten zur Nachnutzung suchen. Dazu ist die Verknüpfung der Datenzentren und die Bereitstellung von Beschreibungen der Daten (also Metadaten) durch die Zentren essentiell, um diese Daten anschließend auch wieder aufzufinden.

Die Daten in Text+ wären z. B. für Forschungsfragen zu verwenden, bei denen die Daten verknüpft werden. Intertextualität, narrative Strukturen in Texten, gleichartige Themen, Relationen zwischen Orten und Personen sind dabei nur ein kleiner Teil der Verknüpfungen, mit denen ich mich während meines Studiums beschäftigt habe. Und bei diesen Verknüpfungen sehe ich, dass Text+ Partner interessante Datensätze zur Verfügung stellen, natürlich nicht nur im Bereich der Belletristik, sondern auch andere Sprachdaten wie Zeitungstexte oder gar Audio- und Videoaufnahmen. Diese Daten erlauben es auch, über die Beziehungen innerhalb von Sätzen (Syntax), Wortwahl und Entwicklung der Wortverwendungen (Lexik), regionale Varietäten einer Sprache (Dialektologie), Sprachlaute (Phonetik), Rhythmus und Sprachmelodie (Prosodie) etc. zu forschen. In diesem Zusammenhang beschäftigte ich mich mit der Modellierung der digitalen Repräsentation historischer, portugiesischer Texte (Trippel und Paixão de Sousa 2006); dies waren Vorarbeiten, die in das Corpus Tycho Brahe eingeflossen sind. Für mich stellen dies spannende Themen dar, da darüber eine Beschreibung z. B. der Beziehung verschiedener Sprachfamilien, Sprachen und Regionen möglich ist.

In meinen Lehrveranstaltungen konnte ich viele Daten einsetzen und so schnell zu Forschungsfragen jenseits der Datenerhebung vordringen. Dazu gehörten z. B. Forschungsfragen aus der Fremdsprachendidaktik oder Sprachpathologie. Auch für Abschlussarbeiten konnte ich auf einschlägige Daten verweisen. Zum Beispiel erstellte jemand eine Abschlussarbeit im Bereich der Mehrsprachigkeit zu Fragen des Code-Switching bei mehrsprachigen Familien. Die Analyse wurde aufwendig durchgeführt, aber dank verfügbarer Forschungsdaten konnte auf eine eigene Datenerhebung verzichtet werden, die im Rahmen der Arbeit nicht möglich gewesen wäre. Mit Werkzeugen – von Text+ Partnern bereitgestellt –, die auf Daten operieren, die von anderen Partnern von Text+ bereitgestellt werden, können vielfältige Analysen zu diesen und anderen damit verbundenen Fragestellungen durchgeführt werden.

Von besonderer Bedeutung waren für mich aber immer die Beziehungen zwischen Wörtern (und sind es bis heute). Um die Beziehung zwischen Wörtern zu untersuchen, habe ich mich mit verschiedensten lexikalischen Ressourcen beschäftigt. Zunächst arbeitete ich an der Erstellung einer terminologischen Datenbank (Gibbon u. a. 2000; 1999; Trippel 1999), später an der Aufbereitung anderer lexikalischer Ressourcen. Diese beinhalten vielfältige Vernetzungen: Begriffssysteme, die sich in Definitionen zeigen; Wörter, die ähnliche Formen oder Bedeutungen haben; Verweise auf andere Wörter, Personen, Ereignisse. Diese Relationen in lexikalischen Ressourcen, formal als Graphen beschrieben, bildeten bereits die Grundlage meiner Dissertation – zu einer Zeit, in der man noch nicht an Knowledge-Graphen dachte und die Vorstellungen des Semantic Web mit Technologien auf Grundlage von z. B. RDF für derartige Themen noch nicht weit verbreitet waren. In besagter Dissertation sammelte ich Beispiele verschiedener lexikalischer Ressourcen und versuchte, sie über gemeinsame Methoden digital als Graph zu repräsentieren und abfragbar zu machen (Trippel 2010; 2005). In Bezug auf unterschiedlichen Ressourcen, die an verschiedenen Orten vorliegen, arbeitet Text+ an einer föderierten Suche, die auch die Möglichkeit eröffnet, Daten gemeinsam abzufragen, auch wenn sie auf verschiedene Strukturen aufbauen. Meine Sammlung von lexikalischen Ressourcen kam mir damals ein wenig wie das Sammeln von Briefmarken vor: Es gibt immer noch weitere, interessante Exemplare, die Seltenen kann man vielleicht einmal von weitem sehen und andere sind einfach zu teuer. Im Verbund von Text+ gibt es eine Vielzahl von lexikalischen Ressourcen, auch seltene und schwer zugängliche. Eine ziemlich große Sammlung sozusagen. Und durch die Angebote von Text+ werden diese Ressourcen miteinander verknüpft.

Apropos Briefmarkensammeln: Wenn jemand in den 1990er oder frühen 2000er Jahren für vielfältige Forschungsfragen Daten benötigte, mussten dafür vor allem auch Daten gesammelt werden. Das führte dazu, dass einige Forschende alle Daten sammelten, die sie finden konnten. Eigene Daten wurden auf Webseiten verlinkt und es wurden sich keine Gedanken darüber gemacht, ob diese Webseiten in einigen Monaten noch vorhanden sein würden. Es war auch üblich, regelmäßig neue Webseitendesigns auszuprobieren, ohne auf Content Management Systeme zurückzugreifen. Die Seiten wurden auf den Servern von einem Verzeichnis ins andere verschoben, umbenannt, zusammengefasst etc. Die Webadressen änderten sich dadurch häufig. Wer also auch nur erwog, bestimmte Daten nachzunutzen, lud sie runter. Erst 1998 schrieb Tim Berners-Lee darüber, dass eine Persistenz von Adressen sinnvoll sei (Berners-Lee 1998).

2006 hörte ich das erste Mal den Begriff „Datenhuberei“, der ein unmotiviertes Sammeln von Forschungsdaten beschreibt, und zwar in einer Keynote von Nikolaus Himmelmann auf der Konferenz der Deutschen Gesellschaft für Sprachwissenschaft. Er wird mir hoffentlich verzeihen, wenn ich nur eingeschränkte Erinnerungen an diesen Vortrag habe, aber ich hoffe, er wird mir dennoch zustimmen: Auch wenn wir in der empirischen geisteswissenschaftlichen Forschung Daten benötigen und sammeln, sollten wir nicht kopflos und unmotiviert alle Daten sammeln, die uns in unserer Arbeit „in die Quere kommen“. Stattdessen sollten Daten vor dem Hintergrund konkreter Forschungsfragen erstellt und gesammelt werden. Eine Aufbewahrung – mit einer aussagekräftigen Beschreibung – erlaubt es dann unter Umständen, die Daten auch in anderen Forschungskontexten nachzunutzen. Zum Beispiel können Aufnahmen aus der Sprachdokumentation sowohl für die anthropologische als auch die sprachwissenschaftliche Forschung verwendet werden, digitalisierte Literatur neben literaturwissenschaftlicher Forschung auch für die lexikalische Analyse verwendet werden.

So wie ich Text+ und die Partner an den unterschiedlichen Standorten verstehe, machen sie genau das: Sie sammeln und erstellen Forschungsdaten vor dem Hintergrund ihrer Forschungsfragen. Durch die Beschreibung der Daten, deren Verknüpfung über gemeinsame Systeme und unter Verwendung von Analysewerkzeugen werden diese Daten nachnutzbar, eben auch für neue Forschungsfragen. Dadurch werden auch die FAIR-Prinzipien (Wilkinson u. a. 2016) für unsere Forschungsdaten umgesetzt. Auch wenn nicht alle Daten nachgenutzt werden, können diese Daten dennoch für Studierende und Forschende ein guter Ausgangspunkt für die Bearbeitung eigener Forschungsfragen sein. Für Studierende und Forschende wie mich selbst. Nicht zuletzt das motiviert mich zur Mitarbeit in der Forschungsdateninfrastruktur Text+. Und natürlich interessieren mich die Modellierung von Daten und Metadaten, die Standardisierung von Formaten, Schnittstellen und Prozessen sowie die Entwicklung von Verarbeitungswerkzeugen …. ach, es gibt neben den genuinen geisteswissenschaftlichen Forschungsfragen eine Vielzahl an spannenden Themen rund um das Thema Datenmanagement (geisteswissenschaftlicher) Forschungsdaten.

Sicher sind die Angebote von Text+ nach einem Jahr noch nicht vollständig und die Integration ist noch nicht abgeschlossen. Aber wenn ich auf das Hier und Jetzt schaue, auch vor dem Hintergrund meiner Erfahrungen vom Beginn des Studiums an, dann kann ich nur staunen, wieviel einfacher es bereits jetzt ist, Zugang zu Forschungsdaten zu erhalten, um sie für eigene Forschungsfragen nachzunutzen. Es ist auch sehr viel einfacher geworden, qualitätsgesicherte eigene Daten nachhaltig zur Nachnutzung bereitzustellen – habe ich schon etwas von den großen Fortschritten im Bereich der Standardisierung von Datenformaten gesagt, die eine Nachnutzung deutlich vereinfachen? Nun, das ist dann vielleicht ein neues Thema. Auf jeden Fall sind aber bereits viele Vernetzungen von Informationen durch Text+ und die Angebote der Partner viel leichter zu untersuchen als zu Beginn meines Studiums. Wenn sich nicht so viele neue Forschungsfragen stellen würden, könnte ich glatt auf die Idee kommen, meine alten Fragen mit Mitteln von Text+ nochmal neu zu beantworten.

Literatur:

Berners-Lee, Tim. 1998. „Cool URIs don’t change“. https://www.w3.org/Provider/Style/URI.

Gibbon, Dafydd, Silke Kölsch, Inge Mertins, Michaela Schulte, und Thorsten Trippel. 1999. „Terminology principles and support for spoken language system development“. In EUROSPEECH’99, 2135–38. Budapest, Ungarn. https://www.isca-speech.org/archive_v0/archive_papers/eurospeech_1999/e99_2135.pdf.

———. 2000. „The EAGLET Term Database“. In Handbook of Multimodal and Spoken Language Systems: Resources, Terminology and Product Evaluation, herausgegeben von Dafydd Gibbon, Inge Mertins, und Roger Moore. Boston and Dordrecht: Kluwer Academic Publishers.

Trippel, Thorsten. 1999. „Terminology for Spoken Language Systems“. Staatsexamensarbeit, Universität Bielefeld.

———. 2005. „The Lexicon Graph Model: A generic model for multimodal lexicon development“. Universität Bielefeld. https://katalogplus.ub.uni-bielefeld.de/title/HT014709578.

———. 2010. „Representation Formats and Models for Lexicons“. Herausgegeben von Andreas Witt und Dieter Metzing. Linguistic Modeling of Information and Markup Languages: Contributions to Language Technology, Nr. 41: 165–84. https://doi.org/10.1007/978-90-481-3331-4_9.

Trippel, Thorsten, und Maria Clara Paixão de Sousa. 2006. „Building a historical corpus for Classical Portuguese: some technological aspects“. In Proceedings of the Fifth International Conference on Language Resources and Evaluation (LREC’06), herausgegeben von Nicoletta Calzolari, Khalid Choukri, Aldo Gangemi, Bente Maegaard, Joseph Mariani, Jan Odijk, und Daniel Tapias, 1831–36. Genoa, Italy: ELRA. http://www.lrec-conf.org/proceedings/lrec2006/pdf/378_pdf.pdf.

Wilkinson, Mark D., Michel Dumontier, IJsbrand Jan Aalbersberg, Gabrielle Appleton, Myles Axton, Arie Baak, Niklas Blomberg, u. a. 2016. „The FAIR Guiding Principles for Scientific Data Management and Stewardship“. Scientific Data 3 (1): 160018. https://doi.org/10.1038/sdata.2016.18.

Zitiervorschlag
Thorsten Trippel: Daten, Vernetzung von Daten und Datenhuberei: Warum für mich Text+ wichtig ist – eine gedankliche Zeitreise, in: Text+ Blog, 08.11.2022, https://textplus.hypotheses.org/762.

Bildnachweis: https://pixabay.com/illustrations/network-networking-web-4636686/; Thorsten Trippel.

---

---