Den Überblick behalten: Annotation der User Stories mit der Basisklassifikation in Zotero

Autor:innen: Charlotte Feidicker, Jonas Kaiser, José Calvo Tello

1. User Stories im Kontext von Text+

2020 wurde im Rahmen der Bewilligung des NFDI-Förderantrags von Text+ die Community um sogenannte User Stories gebeten: kurze Texte, in denen Forschende der sprach- und textbasierten Disziplinen ihre konkreten Forschungsvorhaben, ihre Probleme und Fragestellungen sowie Anforderungen an Text+ darlegen. Ziel war es dabei zum einen, „eine große Bandbreite der an Text+ interessierten Disziplinen, Datendomänen und Forschungsfragen zu erfassen“, und zum anderen, die Community stärker in Text+ einzubeziehen. Die eingereichten User Stories wurden systematisch ausgewertet, der Gesamtbericht wurde 2021 auf Zenodo veröffentlicht.

Von den insgesamt 120 eingegangenen User Stories wurden 115 auf dem Webportal von Text+ veröffentlicht. Diese Stories konnten den drei Datendomänen von Text+ zugeordnet werden: Collections (63 User Stories), Editionen (24 User Stories) und Lexikalische Ressourcen (20 User Stories). Weitere 14 User Stories wurden als domänenübergreifend identifiziert. Ferner wurden die User Stories den jeweiligen Fachkollegien der DFG-Fachsystematik zugeordnet, um einen besseren Überblick über die vertretenen Fächer zu gewinnen. Die meisten Communitybeiträge kommen, wie erwartet, aus dem Bereich der Sprach- und Literaturwissenschaften, aber auch aus anderen Disziplinen wie Geschichtswissenschaften, Sozialwissenschaften, klassische Philologien, Kunstgeschichte, Informatik, Philosophie oder Theologie. 

Angesichts des breitgefächerten Korpus’ aus Communitybeiträgen stellen sich Fragen zu den Nutzungsmöglichkeiten: Wie kann es gelingen, einen inhaltlichen Überblick zu gewinnen, ohne immer wieder alle User Stories lesen zu müssen? Wie können zunächst verdeckte Gemeinsamkeiten und Verlinkungen zwischen verschiedenen User Stories sichtbar und durchsuchbar werden? Diese Fragen betreffen die Zugänglichkeit des erfassten Datenmaterials: Forschende wollen schnell erkennen, welche Themen in den einzelnen User Stories behandelt werden und ob diese für sie relevant sind.

In einem ersten Schritt wurden die User Stories darum von einem Team des NFDI-Konsortiums Text+ ausgewertet und analysiert. Sie wurden mit insgesamt 67 verschiedenen Begriffen aus dem Kontext der NFDI im Allgemeinen und Text+ im Speziellen verschlagwortet. Diese Schlagworte decken ein breites Spektrum von Nutzungsinteressen und Anforderungen an Text+ ab, wie das jeweilige Verhältnis zu Forschungsdaten („data producer“, „interest in further data“), die FAIR-Prinzipien („findability“, „accessibility“, „interoperability/reusability“) oder andere Bedarfe („legal issues“, „repository“, „interest in management tools“, „interest in APIs“). Die Verschlagwortung ist notwendig, um die Beiträge für das Konsortium nutzbar zu machen und so besser auf die beschriebenen Bedarfe reagieren zu können.

Im folgenden Beitrag wird erläutert, welche Vorteile eine zusätzliche Klassifizierung der User Stories mittels Basisklassifikation für die Text+-Community hat, wie dieses Vorhaben umgesetzt und anschließend in einer durchsuchbaren Zotero-Bibliografie veröffentlicht wurde. Da die ursprünglich vom Konsortium verwendeten Schlagwörter ad-hoc während des Auswertungsprozess entstanden sind und keinem normierten Vokabular entsprechen, ist eine Vergleichbarkeit mit anderen Ressourcen im Sinne einer Integration von verteilten Ressourcen nur sehr erschwert möglich. Dieser Umstand wird durch die von uns beschriebene Vorgehensweise verbessert.

2. Nachnutzung der User Stories

Forschende, die sich einen Überblick über Bedarfe und Probleme in der Community von Text+ verschaffen wollen, sind oft selbst Teil dieser. Sie sind Expert:innen, haben spezifische Fragen, kennen einschlägige Stichworte und wissen, wonach sie suchen müssen. Sie fragen sich, welche User Stories mit TextGrid arbeiten, Daten mit GND-Normdaten anreichern, Python-Scripts in Jupyter-Notebooks userfreundlich zugänglich gemacht haben oder TEI/RDF-Daten über APIs exportieren. Die Verschlagwortung mit fachspezifischen Begriffen hilft diesen Expert:innen.

Jedoch soll die Sammlung der User Stories nicht nur für ein sehr spezifisches Fachpublikum nachzunutzen sein, sondern auch für Personen, die neu im Thema sind und sich erst einmal einen Überblick über bestimmte Fächer verschaffen möchten. Stellen wir uns etwa eine Doktorandin der Philosophie vor, die zu einem Teilbereich der Philosophie forscht. Sie möchte wissen, welche User Stories grob zur Thematik ihrer Forschungsarbeit existieren, ob und wie Text+ sie in ihrem Forschungsprozess unterstützen kann. Um die User Stories für sie zugänglich zu gestalten, müssen sie allgemeinverständlicher inhaltlich erschlossen werden, als es mit den Schlagworten passiert ist, jedoch spezifischer, als es die DFG-Fachsystematik ermöglicht.

3. Zu den Inhalten: Sacherschließung der User Stories mit der Basisklassifikation

Es gibt verschiedene bibliothekarische Beschreibungssysteme, die als Hilfsmittel dienen, um einen Bestand transparent zu ordnen und ihn so für Nutzende zu erschließen. Teil des Bestandes können dabei alle Informationsressourcen sein – also auch User Stories. Das Klassifikationssystem als festes Begriffssystem, bestehend aus verschiedenen Haupt- und Unterklassen, wird durch die ordnende Person (in wissenschaftlichen Bibliotheken sind das Fachreferent:innen) auf die Informationsressource angewendet, welche im Hinblick auf ein bestimmtes Merkmal bestimmten Klassen zugeordnet wird. Diese Zuordnung zu einer Klasse erfolgt als Notation, also einer Kombination aus Zahlen und Buchstaben, die wie ein Code funktioniert.1 Eine Monografie kann z.B. mit den Notationen 15.12 und 15.33 klassifiziert sein, die sich zu “Genealogie, Heraldik” (15.12) und “Hoch- und Spätmittelalter” (15.33) auflösen lassen und anzeigen, dass es sich um eine Abhandlung über Wappen im Hoch- und Spätmittelalter handelt.  

Die Notation vermittelt Wissen, das für die ordnende Person einsichtig war, nämlich dass eine Informationsressource vom Typ einer Klasse ist. Klassifikationssysteme sind Modelle eines bestimmten Wissensbereichs. Sie sind mediale Produkte, die Konzepte abbilden und somit Austausch über sie ermöglichen.2 In unserem Fall stellen bibliothekarische Klassifikationssysteme, die zur Sacherschließung genutzt werden, eine Komplexitätsreduktion der universitären Wissenslandschaft eines bestimmten kulturellen Raumes dar. Sie ermöglichen, dass wir Informationsressourcen diesen Konzepten zuordnen können, sie somit dieser Wissenslandschaft zuführen und für sie nutzbar machen. Modellierung geschieht somit immer vor dem Hintergrund eines bestimmten Ziels und ist subjektiv.3

Wir haben die User Stories mit der Basisklassifikation inhaltlich erschlossen. Die Basisklassifikation ist lizenzfrei verfügbar, öffentlich einsehbar dokumentiert, im Kontext von Text+ bereits verwendet, weit verbreitet und weist mit 2087 Klassen in 47 Hauptklassen eine eher geringe Erschließungstiefe auf, was für die nicht rein fachbibliothekarischen Nutzungsszenarien der User Stories sinnvoll ist.

Alle User Stories beschreiben Forschung in einem Grenzfeld zwischen klassischen Geisteswissenschaften und „Digital Humanities“. In der Basisklassifikation gibt es jedoch keine eigene Klasse für digitale Geisteswissenschaften. Darum haben wir Klassen der Geistes- oder Sprachwissenschaften mit Unterklassen der Hauptklasse 54 „Informatik“ kombiniert. Ferner bietet die Hauptklasse 15 „Geschichte“ keine Unterklasse für Editionen, weshalb editionswissenschaftliche User Stories mit geschichtswissenschaftlichem Schwerpunkt trotzdem durchgängig der Klasse 17.78 „Textkritik (hier: Editionstechnik)“ zugeordnet wurden. Die Kombination der verschiedenen Klassen ermöglicht eine kombinierte Suche, die je nach den Interessen der Suchenden in ihrem Spezifikationsgrad variiert werden kann.

4. User Stories als Bibliografie in Zotero

Um mehrere Such- und Filteroptionen zu bieten, wurden die Daten als Zotero-Bibliografie importiert und veröffentlicht. Jede User Story entspricht einem Eintrag in dieser Bibliografie. Der tatsächliche Text des User Stories wurde als Abstract eingetragen. Dadurch sind die User Stories bereits nach verschiedenen Kriterien durchsuchbar. Möglich ist z.B. die Suche nach Stichworten in den Hauptfeldern Titel, Verfasser oder Jahr. Sucht man etwa „TextGrid“, wird ein Eintrag gefunden, der das Wort im Titel trägt:

Einterag in der Text+ Zotero-Bibliografie User Stories mit dem Titel "Editing a Medieval Hispanic Poetry Corpus with TextGrid"

Erweitert man die Suche auf den gesamten Text des Abstracts, werden schon 13 User Stories angezeigt.

Da die URL zu bereits veröffentlichten User Stories jeweils als Link in jedem Eintrag hinterlegt ist, werden Nutzende einfach per Doppelklick zu der Story im Webportal von Text+ weitergeleitet. In dieser Bibliografie wurden einige Annotationen als Tags importiert. Erstens wurden die Datendomänen als farbige Tags hinzugefügt: Grün für Collections, Blau für Editions, Orange für Lexical Resources und Grau für No Category.

Auf diese Weise erhalten die Nutzenden in ihrem Suchergebnis einen schnellen Überblick über die Domänen, in denen ihr Schlagwort auftaucht. In Bezug auf das beschriebene Beispiel der Suchanfrage „TextGrid“ können wir somit leicht erkennen, dass die Mehrheit der User Stories, die TextGrid erwähnen, aus der Domäne Collections stammen, zwei aus Editions und eine aus No Category. Zweitens erlaubt uns diese Annotation einen Überblick über die User Stories, gefiltert nach bestimmten Datendomänen. Zum Beispiel können wir „DM: No Category“ auswählen und somit nur die User Stories anzeigen lassen, die keiner Domäne zugeordnet wurden:

Die Annotation der Basisklassifikation wurde in Zotero auf zwei Ebenen integriert: Als Unterklassen und als Hauptklassen. Die Hauptklassen entsprechen den groben Fachgebieten wie Geschichte, Philosophie, Informatik usw. In der Zotero-Bibliografie werden diese Hauptklassen mit dem Präfix „BKH“ bezeichnet. Somit können wir etwa fragen, zu welchen Fächern die User Stories gehören, die als „No Category“ klassifiziert wurden: Sie wurden zu Theologie, Kunstgeschichte, Informatik oder Recht eingeordnet. Wählen wir anschließend z.B. „Recht“ (BKH: 86) aus, finden wir genau zwei User Stories (Schöch und Dunst).

Screenshot mit ausgewählten Basisklassifikation-Hauptklassen (BKH)

Die Möglichkeit des Filterns nach Hauptklassen wäre auch ein guter Einstieg für die oben beschriebene Doktorandin der Philosophie. Sie könnte die Hauptklasse für Philosophie auswählen und würde dann nur drei User Stories erhalten. Anhand der Farben ist zu erkennen, dass zwei davon aus Lexical Resources und eine aus Editions stammen.

Screeenshot der Zotero-Library der Text+ mit einer Ergebnisliste mit drei Einträgen

Jedoch wurden nicht nur die BK-Hauptklassen, sondern auch alle anderen Klassen (mit dem Präfix „BKK“) annotiert. Wenn wir zu unserer Suche nach „TextGrid“ zurückkehren, können wir erkennen, dass einerseits alle gefundenen User Stories der Sprachwissenschaft zugeordnet sind und andererseits sehen wir, welche konkreten Sprachgruppen vertreten sind: Anglistik, Germanistik, Romanistik, Latinistik und Sinologie.

Screenshot mit ausgewählten Basisklassifikation-Unterklassen (BKK)

Ein solches Suchergebnis ist für die Betreiber von TextGrid aus mehreren Gründen interessant. Zum einen zeigen diese Ergebnisse nicht das typische Bild von TextGrid als Ressource, die nur von der Germanistik genutzt wird. Es wird deutlich, dass das Repositorium von mehreren Fächern wahrgenommen wird. Zum anderen ist es auch interessant, Latein und Chinesisch in diesen Klassen zu finden, da das Repositorium bisher keine Texte in diesen Sprachen enthält.

5. Fazit und Ausblick

Wie in diesem kurzen Beitrag gezeigt, erleichtert die Anwendung der Basisklassifikation auf das Korpus der User Stories signifikant deren Nachnutzbarkeit. Mit Hilfe der Basisklassifikation werden mehrere Nutzungsszenarien abgedeckt: Erstens können die User Stories gröber nach Fachrichtungen gefiltert werden und bieten somit auch Personen einen Zugang, die noch keine Vorkenntnisse hinsichtlich Forschungsdatenmanagement haben. Zweitens können Nutzer:innen gezieltere Anfragen zu den Bedarfen der einzelnen Fachdisziplinen der Community von Text+ stellen, was das Verständnis für die Anforderungen dieser Fächer in Bezug auf Forschungsdaten erhöht. Somit erleichtert die Anwendung der Basisklassifikation zum einen die Arbeit des Konsortiums an sich, begünstigt zum anderen aber auch den interdisziplinären Austausch innerhalb der Community.

Ein häufig angeführtes Desiderat der Basisklassifikation ist ihre Übersetzung ins Englische. Aktuell liegt die Basisklassifikation nur in deutscher Sprache vor. Da die User Stories von Text+ auf Englisch veröffentlicht wurden, wäre es sinnvoll, wenn die Klassen ebenfalls auf Englisch vergeben werden könnten. Die Verbundzentrale des Gemeinsamen Bibliotheksverbundes arbeitet derzeit an einer Übersetzung der Basisklassifikation. Diese wurde jedoch leider noch nicht veröffentlicht. Das Erreichen einer mehrsprachigen Klassenbenennung wäre wünschenswert und ist sinnvoll, wie dieser Anwendungsfall zeigt.

In einem nächsten Schritt könnte diese Interdisziplinarität noch gesteigert werden, in dem die User Stories von NFDI4Culture und die Problem Stories von NFDI4Memory ebenfalls mithilfe der Basisklassifikation sacherschlossen und als solche normiert verschlagwortete Korpora als Zotero-Bibliografien veröffentlicht werden würden. NFDI4Culture, NFDI4Memory und Text+ haben einige methodische, aber auch inhaltliche Gemeinsamkeiten, wie man auch an den geschichtswissenschaftlichen User Stories von Text+ erkennen kann. Eine gemeinsame und ggf. vergleichende Betrachtung der Beiträge von Nutzenden aus diesen drei Konsortiumscommunities wäre gewinnbringend. Dadurch könnten konsortienübergreifend geisteswissenschaftliche Bedarfe an Forschungsdaten besser identifiziert sowie passende Lösungen und Anwendungen effizienter erarbeitet werden. Eine solche Perspektive würde dem Ansatz entsprechen, der von der NFDI gefordert wird: die Integration verteilter Ressourcen zur interdisziplinären Zusammenarbeit.

Referenzen

Bertram, Jutta (2005): Einführung in die inhaltliche Erschließung. Grundlagen – Methoden – Instrumente, Würzburg: Ergon-Verlag.

Ciula, Arianna et al. (2023): Modelling between digital and humanities. Thinking in practice, UK: Open Book Publishers.

Dunst, Alexander (2020): Sharing the Visual and Textual Features of Comics, in: Text+: User Stories 2020, User Story 602 [letzter Zugriff am 19.01.24].

Gemeinsamer Bibliotheksverbund (2019): Basisklassifikation, 3. erweiterte Ausgabe [letzter Zugriff am 19.01.24].

NFDI4Culture-Blog: User Stories [letzter Zugriff am 19.01.24].

NFDI4Memory-Blog: Problem Stories [letzter Zugriff am 19.01.24].

Rißler-Pipka, Nannette et al. (2021): Community Involvement in Research Infrastructures: The User Story Call for Text+, in: zenodo, DOI: 10.5281/zenodo.5384084 .

Schöch, Christof (2020): Textual features derived from copyrighted texts, in: Text+: User Stories 2020, User Story 601 [letzter Zugriff am 19.01.24].

Text+, Bibliographie der User Stories, in: zotero [letzter Zugriff am 19.01.24].

Text+: User Stories 2020 [letzter Zugriff am 19.01.24].

Zitiervorschlag
Charlotte Feidicker, Jonas Kaiser, José Calvo Tello: Den Überblick behalten: Annotation der User Stories mit der Basisklassifikation in Zotero, in: Text+ Blog, 08.02.2024, https://textplus.hypotheses.org/9599.



Diesen Blogbeitrag zitieren
José Calvo Tello (2024, 8. Februar). Den Überblick behalten: Annotation der User Stories mit der Basisklassifikation in Zotero. Text+ Blog. Abgerufen am 24. Februar 2024, von https://doi.org/10.58079/vs8p

  1. Bertram, Jutta (2005): Einführung in die inhaltliche Erschließung. Grundlagen – Methoden – Instrumente, Würzburg: Ergon, 149–151. []
  2. Ciula et al. (2023): Modelling between digital and humanities. Thinking in practice, UK: Open Book Publishers, 104. []
  3. Ciula et al. 2023, 39. []

Das könnte dich auch interessieren …

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.

Suche in OpenEdition Search

Sie werden weitergeleitet zur OpenEdition Search