Text+Plus, #04: Modellierung von Texteditionen als Linked Data (edition2LD)

Jedes Jahr fördert Text+ Kooperationsprojekte mit einer Laufzeit von maximal 12 Monaten. Bewerben können sich Einzelpersonen, Arbeitsgruppen, Forschungsverbünde und Forschungseinrichtungen. Die Kooperationsprojekte aus der ersten Förderrunde sind am 1. Januar 2023 gestartet. In der Blog-Reihe Text+Plus geben sie Einblick in ihre Arbeit.

Autorinnen: Dieta Svoboda-Baas und Sabine Tittel

Wissenschaftliche Texteditionen stellen aufgrund vielfältiger Faktoren im Hinblick auf die sekundäre, übergreifende Auswertung und ihre Nachnutzbarkeit eine große Herausforderung dar. Sie umfassen unterschiedliche Domänen und Inhalte, zeitliche und geographische Ausrichtungen, unterschiedliche Sprachen, darüber hinaus nicht selten historische Sprachstufen ohne Schreibnorm und schließlich unterschiedliche Schriftsysteme. Die Präsentation dieser bereits inhaltlich sehr vielfältigen Forschungsergebnisse erfolgt zudem in unterschiedlichen Kombinationen von Editionstext, Kommentar, Übersetzung, Faksimiles u.a. Hinzu kommt die digitale Datenerhebung und -verarbeitung: Die Daten liegen in unterschiedlichen Systemarchitekturen und Datenmodellen vor, oftmals als Insellösungen in Datensilos des WWW.

Während der Laufzeit von wissenschaftlichen Editionsprojekten sind die erarbeiteten Daten überdies veränderlich („hot data“). Daher müssen Daten-Updates und Versionierungen bei der (Multi-Channel-)Publikation berücksichtigt werden. Erst die Langzeitarchivierung nach Projektabschluss („cold data“) garantiert die Unveränderlichkeit der Daten.

Forschungsdaten langfristig zugänglich zu machen, ist daher ein wesentliches Element wissenschaftlicher Forschung. Für die vielschichtigen Probleme der Datensicherung müssen daher Lösungsansätze entwickelt werden. Dabei muss nicht zuletzt darauf geachtet werden, Workflows zu erarbeiten, die Organisation, Zeitplanung und Publikationsrhythmen der Forschungsprojekte nicht beeinträchtigen.

Das Projekt edition2LD arbeitet an einer Lösung für eine Datenkuratierung, die die heterogenen Daten über Ressourcen, Sprachen und Sprachstufen, Datentypen und -formate hinweg interoperabel und zugreifbar macht. Diese Lösung muss flexibel genug für die Heterogenität der Daten und zugleich stabil genug für eine langfristige Perspektive sein. Darüber hinaus muss sie die Daten der eigenen Institution nahtlos in internationale Forschungskontexte integrieren und entsprechende Zugriffsmöglichkeiten eröffnen können. Dabei folgt edition2LD dem Paradigma von Linked Data (LD) und der Integration der Daten ins Semantic Web.

Anwendungsfall als „Best Practice“

Um den Workflow für die LD-Modellierung zu erarbeiten, wählt edition2LD als Anwendungsfall die Editionen der Forschungsstelle „Religions- und rechtsgeschichtliche Quellen des vormodernen Nepal“ (Nepal-FS) der Heidelberger Akademie der Wissenschaften (HAdW).

Die Nepal-FS macht ein Textkorpus zugänglich, das historisch äußerst wertvolles Material zur Tempel-, Verwaltungs- und Rechtsgeschichte aus Nepals „langem 19. Jahrhundert“, d.h. aus der frühen Śāha- (1769–1846) und Rāṇā-Periode (1846–1951) vereint. Sie erstellt dafür digitale Editionen der Nepali-Texte (in Devanagari-Schrift) inklusive Faksimiles, englische Übersetzungen (in lateinischer Schrift), Kommentare und Registereinträge (Personen, Orte, Termini), s. Abb. 1. Publiziert wird auf dem Onlineportal Documenta Nepalica, wie beispielsweise diese königliche Anordnung, und, schrittweise, unter Vergabe einer DOI, auf den Seiten der Universitätsbibliothek Heidelberg, wie etwa dieses Dokument, das vom Fang eines Elephanten berichtet.

Herangehensweise

Voraussetzung für den Workflow ist, dass die Editionen im XML/TEI-Format vorliegen. Die LD-Modellierung soll diese Editionen dann mit maximal automatisierten Prozessen in Form von RDF-Tripeln (Resource Description Format) abbilden. Der Workflow soll generisch genug sein, um die zukünftige Übertragbarkeit auf weitere Projekte vorzubereiten. Zugleich soll er in der Lage sein, wiederholt ausgeführt, Daten chargenweise in RDF zu überführen, um damit auf die große Herausforderung der veränderlichen „hot data“ zu reagieren. Bei der Erarbeitung der automatisierten Abbildungsprozesse ist es daher immens wichtig, den Schritt einer manchmal doch nötigen, händischen Nachbearbeitung zu minimieren. Im besten Fall geschieht dies nur einmal, nämlich dann, wenn die Daten keiner Veränderung mehr unterliegen.

Beim Anwendungsfall Nepal-FS fokussiert edition2LD auf die Modellierung der Informationseinheiten „Text“, „englische Übersetzung“, Named Entities (Personen- und Ortsnamen) und Fachtermini sowie Metadaten. Für die Modellierung der Named Entities kann das Projekt auf Registereinträge der Nepal-FS zurückgreifen, die zum Teil bereits weiterführende Verweise auf Normdatenrepositorien und enzyklopädische Ressourcen enthalten: GND, VIAF, GeoNames sowie die englischsprachige Wikipedia und DBpedia (s. Abb. 2 mit einem Eintrag zur Person Pṛthvīnārāyaṇa Śāha, einem König von Gorkha und später Nepal).

Für die Modellierung der in den Editionen enthaltenen Fachtermini können Glossareinträge mit lemmatisierten Wortformen, Definitionen in englischer Sprache und weiterführenden Kommentaren ausgelesen werden. 

Die eingesetzten Vokabulare, Ontologien und Repositorien sind die als Standards bereits etablierten: RDFS, SKOS, Gemeinsame Normdatei GND, VIAF, DBpedia, GeoNames, FOAF etc. Darüber hinaus fügt die LD-Modellierung Verlinkungen mit Instanzen zweier Ontologien für historische Personen- und Ortsnamen Nepals ein (NepalPeople und NepalPlaces, s. Tittel 2022), die anhand der Forschungsdaten der Nepal-FS erarbeitet werden.

Abb. 3 zeigt die Pipeline der Datenverarbeitung mittels Python-Skripten (Stand der Arbeiten: terminology.py; NamedEntities.py), die aus dem Input der verschiedenen Quellen RDF-Daten erstellen. Die Datenquellen sind (1) die Datenbank der Nepal-FS, aus der exportiert werden:

• eine XML-Datei pro Edition,
• Dateien im Format JSON mit Tabellen zu den Named Entities und den Termini (ont_item.json; ont_item_occurrences.json); diese Tabellen führen weiter zu den Register- und Glossareinträgen (online, s. zum Beispiel Abb. 1).

Die Dateien unterliegen Veränderungen und werden regelmäßig aktualisiert.

(2) Dazu hat das Projekt edition2LD begonnen, Datenstrukturen mit weiterführenden Informationen anzulegen (d.h. Links auf Repositorien, DBpedia etc.), die – so wie die aus der Datenbank exportierten Dateien – ebenfalls automatisch von den Python-Skripten ausgelesen und in die Pipeline integriert werden (words_enhanced.json; ont_items_en hanced.json). Diese Dateien können in die Nepal-FS zur weiteren Anreicherung zurückgespielt werden.

(3) Darüber hinaus werden Informationen aus den Register- und Glossareinträgen per Web Crawling in die Pipeline integriert. (4) Und schließlich gleichen die Python-Skripte die Einträge mit denen der beiden Ontologien NepalPeople und NepalPlaces ab und integrieren gegebenenfalls Verlinkungen mit deren Instanzen. Das Ergebnis ist mehrteilig:

1. eine RDF-Datei pro Edition,
2. eine XML/TEI-Datei pro Edition, in die die RDF-Tripel per RDFa zurückgeschrieben werden; da ein Eingriff in die originale XML-Datei der Nepal-FS nicht angedacht ist, dient diese XML-RDFa-Datei zur Langzeitvorhaltung parallel zur XML-Datei.
3. Geplant ist zudem eine HTML-Version, die per RDFa die Verlinkungen zu den Repositorien zugreifbar macht.

Zum gegenwärtigen Stand [Dezember 2023] ist die Modellierung der Named Entities und der Termini zu 90% abgeschlossen, die Modellierung der Einheiten „Englische Übersetzung“ und „Nepali-Edition“ und der Metadaten ist in Arbeit, s. das RDF-Beispiel in Abb. 4.

Das Projekt (Laufzeit 1/2023 – 12/2023) wird an der Heidelberger Akademie der Wissenschaften realisiert. In Text+ ist es der Datendomäne Editionen zugeordnet. Die Projektleitung liegt bei Dr. Dieta Svoboda-Baas und Priv.-Doz. Dr. Sabine Tittel.

Zitierte Literatur:

Tittel, Sabine (2022). “Towards an Ontology for Toponyms in Nepalese Historical Documents”. In: Proceedings of The Workshop on Resources and Technologies for Indigenous, Endangered and Lesser-resourced Languages in Eurasia within the 13th Language Resources and Evaluation Conference, Marseille, June 2022, Marseille (European Language Resources Association – ELRA), S. 7–16.

Zitiervorschlag
Dieta Svoboda-Baas/Sabine Tittel: Text+Plus, #04: Modellierung von Texteditionen als Linked Data (edition2LD), in: Text+ Blog, 18.12.2023, https://textplus.hypotheses.org/8723.

Beitragsbild: ETH-Bibliothek Zürich, Bildarchiv / Fotograf: Metzger, Jack / Com_L16-0320-0002-0002 / CC BY-SA 4.0, http://doi.org/10.3932/ethz-a-000969258.

---

---