Archiv der Kategorie: Projektvorstellung

Die Arbeiten im Verbundprojekt CLARIAH-DE und die Wolfenbütteler Digitale Bibliothek. Oder: Zwischen nationalem Kontext und Einzelinstitution

Der folgende Blogbeitrag basiert in Teilen auf dem Werkstattgespräch „CLARIAH-DE: Bericht aus der Arbeit des Verbundprojekts im Kontext der Nationalen Forschungsdateninfrastruktur“, welches die Verfasserin gemeinsam mit Dr. Hartmut Beyer am 17.09.2020 an der Herzog August Bibliothek gehalten hat.

Die Art und Weise wie Forschungsförderung heute funktioniert, ist für Außenstehende meist nur recht schwer nachzuvollziehen. Oftmals scheint es doch so, dass das Rad neu erfunden werden muss, anstatt bereits funktionierende und etablierte Angebote zu verbessern und zu verstetigen. Oder dass mehrere Projekte gleichzeitig gefördert werden, die Lösungen für das gleiche Problem bieten (möchten), was mitunter zu parallelen Entwicklungen und damit zu Redundanzen führt. Innovation und langfristige Sicherstellung der Verfügbarkeit von Diensten (und Daten) stehen sich – zumindest auf den ersten Blick – diametral entgegen.

Gerade bei übergeordneten Verbund- oder Infrastrukturprojekten ist auch der direkte Nutzen für die Wissenschaftlerin bzw. den Wissenschaftler oder auch die einzelne Institution nicht immer direkt ersichtlich. Im Folgenden soll daher am Beispiel des aktuell laufenden CLARIAH-DE Projekts (2019-2021) versucht werden, dieses zum einen in den größeren Kontext der aktuellen Entwicklungen im Hinblick auf die Etablierung einer Nationalen Forschungsdateninfrastruktur (NFDI) einzubetten, zum anderen den Bezug der Arbeiten im Verbundprojekt zur Herzog August Bibliothek (HAB) bzw. der Wolfenbütteler Digitalen Bibliothek (WDB) herzustellen und damit aufzuzeigen, wo in diesem Kontext Synergieeffekte möglich sind.

Auf dem Weg zu einer Nationale Forschungsdateninfrastruktur

„In der Nationalen Forschungsdateninfrastruktur (NFDI) werden die wertvollen Datenbestände von Wissenschaft und Forschung für das gesamte deutsche Wissenschaftssystem systematisch erschlossen, vernetzt und nachhaltig sowie qualitativ nutzbar gemacht. Bislang sind sie zumeist dezentral, projektbezogen oder auf Zeit verfügbar. Bund und Länder fördern die NFDI gemeinsam und schaffen mit diesem digitalen Wissensspeicher eine unverzichtbare Voraussetzung für neue Forschungsfragen, Erkenntnisse und Innovationen.“[1]

Basierend auf der „Bund-Länder-Vereinbarung zu Aufbau und Förderung einer Nationalen Forschungsdateninfrastruktur (NFDI)“ vom 26.November 2018[2], erfolgte 2019 eine entsprechende Ausschreibung seitens der Deutschen Forschungsgemeinschaft (DFG) für die Etablierung einer solchen.[3] Bewerben für eine Förderung im Rahmen dieser Ausschreibung konnten sich Konsortien, also Zusammenschlüsse von deutschen Forschungseinrichtungen (Universitäten, außeruniversitäre Forschungsinstitutionen, Akademien etc.), die zum Teil eher disziplinär geprägt sind, aber auch sich nahestehende Disziplinen und damit Datenbestände umfassen (z.B. NFDI for Business, Economic and Related Data).[4] Der Auswahlprozess dauert aktuell noch an. In der ersten Runde im Juni 2020 wurden insgesamt neun Konsortien zur Förderung empfohlen, darunter ein Konsortium (NFDI4Culture) aus den Geisteswissenschaften. Für die zweite Antragsrunde liegen 16 Voranträge vor, hierunter mit NFDI4Memory, NFDI4Objects und Text+ drei Konsortien, die – mit unterschiedlichen Schwerpunkten – ebenfalls den Bereich der Geisteswissenschaften betreffen.

CLARIAH-DE ist Teil der letztgenannten NFDI-Initiative Text+, welche sich auf geisteswissenschaftliche Sprach- und Textdaten in den Bereichen digitale Sammlungen und Korpora, lexikalische Ressourcen und Wörterbücher sowie Editionen konzentriert. Durch die Zusammenführung der seit vielen Jahren etablierten Verbünde CLARIN-D und DARIAH-DE (Digital Research Infrastructure for the Arts and Humanities) zu einer gemeinsamen Infrastruktur werden in CLARIAH-DE konkrete Vorarbeiten für die NFDI geleistet.

CLARIAH als Zusammenschluss von CLARIN-D und DARIAH-DE

Das Projekt DARIAH-DE wurde in drei Phasen von insgesamt 2011 bis 2019 vom Bundesministerium für Bildung und Forschung (BMBF) gefördert. Seit Auslaufen der Förderung wird es seit März 2019 von 16 Kooperationspartnern in einer Betriebskoorporation weitergeführt. Die Koordination des Betriebs obliegt der Niedersächsischen Staats- und Universitätsbibliothek Göttingen (SUB). Im Rahmen von DARIAH-DE wurden und werden Wissenschaftlerinnen und Wissenschaftlern unter anderem zahlreiche digitale Werkzeuge und Dienste zugänglich gemacht, die den Forschungsprozess erleichtern sollen. Ein Angebot ist die virtuelle Forschungsumgebung TextGrid, die als Arbeitsumgebung für digitales Edieren genutzt werden kann. CLARIN-D, dessen Schwerpunkt eher auf Sprachressourcen liegt, wurde seit 2012 ebenfalls vom BMBF gefördert. Wie CLARIAH-DE bietet auch CLARIN-D zahlreiche Ressourcen und Hilfsmittel für Forschende an. Beide Verbünde sind Teil der jeweiligen europäischen Zusammenschlüsse (CLARIN European Research Infrastructure for Language Resources and Technology und  DARIAH-EU) und damit auch auf internationaler Ebene gut vernetzt.

Von 2019 bis 2021 steht im Projekt CLARIAH-DE nun eine Fusion der beiden vormals getrennten Verbundprojekte zu einer gemeinsamen Infrastruktur im Zentrum. Insgesamt zwölf Institutionen sind als Projektpartner bzw. Unterauftragnehmer beteiligt.[5] Ziel ist es, die Werkzeuge und Services übergreifend für die Datenbestände der beiden ehemaligen Verbünde nutzbar zu machen.[6] Die Etablierung einheitlicher Workflows und Standards sind dabei genauso Teil des Projektes wie die Erstellung von Handreichungen und Dokumentationen sowie die Vereinheitlichung von Organisationsstrukturen (z.B. durch einen gemeinsamen Helpdesk). Somit finden die Arbeiten zur Harmonisierung und Standardisierung auf verschiedenen Ebenen statt, die in insgesamt sechs Arbeitspakete (AP) aufgeteilt wurden.

  • AP 1 – Forschungsdaten, Standards und Verfahren
  • AP 2 – Werkzeuge und virtuelle Forschungsumgebungen
  • AP 3 – Kompetenzvermittlung und Nachwuchsförderung
  • AP 4 – Technische Vernetzung und Koordination der technischen Entwicklungen
  • AP 5 – Community-Engagement: Outreach / Dissemination und Liaison
  • AP 6 – Organisatorische Infrastruktur / Geschäftsstellen

Die Arbeiten in AP 1

In AP 1 „Forschungsdaten, Standards und Verfahren“, an dem die HAB gemeinsam mit der SUB, der Berlin Brandenburgischen Akademie der Wissenschaften (BBAW), dem Leibniz-Institut für Deutsche Sprache (IDS) in Mannheim und dem Lehrstuhl für Medieninformatik der Universität Bamberg (MinfBA) beteiligt ist, wird unter anderem anhand von drei ausgewählten Fallbeispielen evaluiert, inwieweit sich das Basisformat des Deutschen Textarchivs (DTABf) sinnvoll als Austauschformat für digitale Editionen einsetzen lässt. Eine Übersicht über die dem Arbeitspaket zugewiesenen Aufgaben bietet die folgende Tabelle.

tabellarische Übersicht der Aufgaben in AP 1
Die Aufgaben in AP1 mit den entsprechend veranschlagten Personenmonaten (PM)

Mit dem Diarium von Herzog August dem Jüngeren und den Reiseberichten und Sammlungsbeschreibungen Philipp Hainhofers stammen zwei der drei Fallbeispiele, die innerhalb dieses AP bearbeitet wurden, aus Editionsprojekten der WDB.

Startseite des Selbstzeugnisse Portals
Startseite des Selbstzeugnisse Portals, deren Bestandteil die Edition des Diariums ist (selbstzeugnisse.hab.de/edition/)

 

Startseite des Hainhofer Projektes
Startseite des Hainhofer-Projektes (https://hainhofer.hab.de/)

Das DTABf ist eine sog. Customization der Guidelines der Text Encoding Initiative (TEI), welche speziell für die Annotation von Volltexten historischer Drucke entwickelt wurde, um diese einheitlich im Deutschen Textarchiv (DTA) verfügbar machen zu können. Der zeitliche Schwerpunkt liegt dabei auf Werken aus der Zeit vom frühen 16. bis zum frühen 20. Jahrhundert. In diesem Bereich der Druckwerke, durch entsprechende Erweiterungen mittlerweile aber auch für die Auszeichnung von Zeitungen und einfach strukturierten Manuskripten (DTABf-M)[7], kann das DTABf heute auf nationaler Ebene als recht etabliert gelten. Im CLARIAH-DE Kontext wurde nun evaluiert, inwieweit das DTABf auch auf digitalen Editionen anwendbar sein könnte, und welche Anpassungen dafür notwendig wären.  Hinter der Verwendung des DTABf als Austauschformat steht der Gedanke, dass ein solches nicht alle vormals kodierten Informationen in der ursprünglichen Tiefe abbildet, aber dennoch als eine Art „Kernkodierung“ die nötigsten inhaltlichen und strukturellen Informationen eines Textes ausdrücken kann. Dies ermöglicht eine Integration der eigentlich sehr diversen Editionsdaten in größere Korpora, in deren Kontext der integrierte Text dort dann auch durch jene Tools und Services nutzbar ist, die speziell für diese TEI-Anpassung entwickelt wurden. In diesem Fall also beispielsweise jene Tools, die im Kontext des DTA entstanden sind.

Die Evaluation des DTABf

Um die Eignung des DTABf als Austauschformat zur grundlegenden (und vor allem bestandsübergreifenden) Erschließung von Textdaten in digitalen Editionsprojekten bestimmen zu können, hob die Evaluation auf die Feststellung bzw. Herstellung von Interoperabilität zwischen DTABf und spezifischen TEI-Anwendungsprofilen für Editionen ab. Dabei sollte auch ein basales Anforderungsprofil für digitale Editionsprojekte formuliert werden, welches gestattet, deren Textdaten bestmöglich zu erschließen bzw. nachnutzen zu können. Die Perspektive ist damit einerseits retrospektiv, da untersucht wird, inwieweit das DTABf als Austauschformat für bereits existente Editionsdaten geeignet ist, andererseits können aus diesem Vorgehen aber natürlich auch Handlungsempfehlungen für die Neuanlage einer Edition abgeleitet werden.

Bei der Evaluation wurde anhand der folgenden Leitfragen vorgegangen:

  • Welche Phänomene, die in digitalen Editionen vorkommen, werden aktuell nicht durch das DTABf-Tag-Set abgedeckt?
  • Welche Phänomene sind nach den Vorgaben des DTABf anders zu kodieren als in den vorliegenden digitalen Editionen der Fall? Ist ein Mapping (im Sinne einer gleichwertigen Ersetzung durch eine andere Kodierung) oder eine Überführung hier unproblematisch, oder gibt es grundlegende (semantische) Unterschiede in der Auszeichnung?
  • Welche Informationen werden laut DTABf benötigt, sind aber in den digitalen Editionen nicht kodiert worden?

Neben dem Abgleich der ausführlichen Dokumentation des DTABf und seiner Erweiterungen mit den entsprechenden Angaben zu den einzelnen Editionen, erfolgte die Validierung der Editions-Dateien gegen die entsprechenden Schemata des DTABf (RelaxNG bzw. Schematron) mit Hilfe des oXygen-XML-Editors. Zusätzlich wurden verschiedene Skripte eingesetzt, die unter anderem die Verwendung von Attributen innerhalb der Elemente miteinander vergleichen. Während die letzteren beiden Herangehensweisen einen eher quantitativen Zugang zu den Abweichungen bieten, ermöglicht der Blick in die Dokumentationen auch die Einbeziehung semantischer Unterschiede in der Auszeichnung bzw. kann mitunter Aufschluss darüber geben, warum ein Phänomen auf eine bestimmte Weise ausgezeichnet wurde.

Der folgende Auszug aus dem Evaluationsbericht zum Diarium von Herzog August dem Jüngeren zeigt anhand der Kodierung von Entitäten (z.B. Personen- oder Ortsnamen) die Unterschiede in der Annotation zwischen DTABf und dem vorliegenden Anwendungsprofil und bietet gleichzeitig einen Einblick in den Vorgang des Abgleichs.

Auszug aus dem Evaluationsbericht
Auszug aus dem Evaluationsbericht zum Diarium

Nach der allgemeinen Definition des TEI-Elements wird zunächst beschrieben, wie Entitäten in der vorliegenden Edition kodiert wurden (Phänomen). Die Verwendung von referencing strings entspricht dabei dem bisher empfohlenen Vorgehen für WDB-Editionen. Dann wird erläutert, wie sich das DTABf dazu verhält (Interop), welches in diesem Fall eine alternative Kodierung vorgibt. Es folgt die Empfehlung, wie die Kodierung bei einer Überführung in das DTABf verändert werden könnte, um dessen Vorgaben zu entsprechen (Mapping). Optional gibt es Anmerkungen. Phänomene, die bereits von vornherein übereinstimmend kodiert wurden, finden in den Evaluationsberichten keine gesonderte Erwähnung.

Die erfassten Phänomene lassen sich als (1) verlustfrei übertragbar, (2) partiell übertragbar und (3) fehlend klassifizieren. Je nach erforderlichem Aufwand und Ergebnis der Konvertierung, kann diese entweder zu einem DTABf-validen Text führen, in dem alle notwendigen Informationen verlustfrei in das DTABf konvertiert werden konnten und dem auch keine benötigten Angaben fehlen, oder zu einem DTABf-konformen Text, bei dem möglichst viel nach den Vorgaben des DTABf ausgezeichnet ist, der aber auch über das DTABf hinausgehende Annotationen aufweisen kann. Ein DTABf-valides Dokument ist also immer auch DTABf-konform. Umgekehrt ist dies nicht der Fall. Eine DTABf-konforme Auszeichnung würde bei der Anlage einer Edition einerseits der Spielraum der Editorinnen und Editoren in der Kodierung nicht zu stark einschränken, gleichzeitig aber eine mögliche spätere Aufbereitung für eine (Nach)Nutzung im DTA erleichtern. Somit wäre der prospektive Mehrwert einer Eingliederung in ein größeres Korpus – und damit auch eine bessere Sichtbarkeit der eigenen Edition – gegeben.

Kriterien zur Einordnung Digitaler Editionen – Die Editionsmatrix „EdMa“

Die gerade skizzierte Evaluation basiert wie erwähnt auf Fallstudien ausgewählter digitaler Editionen. Um die Vielfalt und damit auch eine Repräsentativität der zugrunde gelegten Daten zu gewährleisten, sollten sich die Editionen, die für die Auswertung herangezogen wurden, möglichst deutlich voneinander unterscheiden, z.B. hinsichtlich des Quellenmaterials oder des gewählten Editionsmodells. Aus diesem Grund wurden auf Grundlage einschlägiger editionswissenschaftlicher Fachliteratur sowie anhand der digitalen Editionen, die an den am Projekt beteiligten Institutionen entstehen oder entstanden sind, insgesamt sieben Kriterien entwickelt und zu einer sog. Editionsmatrix (EdMa) zusammengeführt. Diese half dabei, die Auswahl „geeigneter“ Fallbeispiele nachvollziehbar und transparent zu gestalten, ermöglicht darüber hinaus aber auch eine grundlegende Einordnung oder Gruppierung von digitalen Editionen und die Erstellung entsprechender Übersichten. Daneben werden einige grundlegende Informationen zur Edition erhoben, die größtenteils bibliographische Daten enthalten. Die sieben Kriterien, die im Folgenden näher erläutert werden, lauten:

  1. Editorisches Grundmodell
  2. Art und Tiefe der Textauszeichnung
  3. Disziplinäre Zuordnung
  4. Epochale Zuordnung
  5. Ausgangs-/Quellenmaterial
  6. Sprache(n)
  7. Materialmenge (Überlieferungsbreite, Größe des Korpus etc.)

Das verwendete editorische Grundmodell und damit das am Ende stehende „Produkt“ erscheint als ein ausschlaggebender Faktor in der Bestimmung einer (digitalen) Edition. Um der Diversität von Editionsprojekten gerecht zu werden, stehen alle gängigen „Editionsformen“ – neben der historisch-kritischen, der (hyper-)diplomatischen, der (Text-)genetischen Edition auch Leseausgabe, Transkription oder (Teil-)Übersetzung(en) – zur Auswahl und es sind Mehrfachnennungen möglich.  

Das zweite Kriterium befasst sich konkret mit der Kodierung, also der Frage, welche Phänomene (z.B. inhaltliche Struktur, Entitäten, physische Merkmale der Objekte etc.) kodiert wurden und somit auch welche Module der TEI-Guidelines Verwendung fanden. Grundsätzlich könnte angenommen werden, dass eine sehr komplexe und tiefe Auszeichnung mit einer Vielzahl von Elementen, die nicht Teil des Basisformates sind, eine Überführung erschwert.

Als drittes und viertes Kriterium werden die disziplinäre bzw. epochale Zuordnung abgefragt. Hierbei ist fraglich, ob die Disziplinzugehörigkeit generell einen nachweisbaren Einfluss auf die Komplexität der Überführung zum DTABf hat. Gerade für Editionen aus dem Bereich der Sprachwissenschaft könnte aber das Problem bestehen, dass in der ursprünglichen Auszeichnung bereits eher Elemente verwendet wurden, die im DTABf standoff annotiert werden und die deswegen zu den dort ausgeschlossenen (Level 4) Elementen gehören. Ähnliches könnte für die betreffende Epoche gelten, sofern in ihr z.B. sehr spezifische Schriftsysteme vorherrschend waren, die einer gesonderten Behandlung in der Auszeichnung bedürfen. Hieran wird deutlich, dass bestimmte Kriterien durchaus miteinander korrelieren und auch erst durch den Zusammenfall von Faktoren eine eventuell größere Komplexität für eine Überführung in ein Austauschformat besteht.

Kriterium fünf nimmt Bezug auf das Ausgangs- bzw. Quellenmaterial, welches der Edition zugrunde gelegt wird. Handelt es sich hierbei beispielsweise um ein einzelnes Werk, welches in unterschiedlicher Weise (unikal oder mehrfach, handschriftlich oder gedruckt) überliefert sein kann, mehrere Typoskripte oder Konvolute, die aus ganz unterschiedlichen Dokumenten bzw. Dokumenttypen bestehen können? Es könnte davon ausgegangen werden, dass Materialien, die jenen im DTA-Korpus aufgenommenen (also mehrheitlich Drucke des 16.-20. Jahrhunderts) sehr ähneln, sich einfacher nach den Regeln des DTABf auszeichnen bzw. in dieses überführen lassen, währenddessen stark abweichende und vor allem unterschiedliche Materialien eine Überführung verkomplizieren.

Die Sprache bzw. Sprachen, in denen das Quellenmaterial vorliegt, wurde als sechstes Kriterium aufgenommen. Auf die Komplexität der Auszeichnung bzw. Überführung hat Sprache allein wohl eher selten einen Einfluss. Im Zusammenhang mit den erwähnten spezifischen Schriftsystemen könnte dies jedoch der Fall sein. Weiterhin hilft das Kriterium der Gruppierung von Editionen und erweitert damit die Abfrage- bzw. Analysemöglichkeiten. 

Abschließend wird auch die zahlenmäßige Menge an Dokumenten (und damit des Quellenmaterials) abgefragt. Eine größere Anzahl an Dokumenten muss im Vergleich zu unikaler Überlieferung nicht zwingend komplexer sein, wenn die Auszeichnung dieser kohärent und konsistent erfolgt ist. Im Zusammenspiel mit ganz unterschiedlichen Dokumenttypen könnte hier aber von einer größeren Komplexität ausgegangen werden. Der Schwierigkeitsgrad ergibt sich also insgesamt aus der Kombination einzelner Faktoren.

Erfassung und Auswertung

Aktuell werden die entsprechenden Informationen für den internen Gebrauch mithilfe eines Formulars bzw. einer Tabelle gesammelt. Es ist vorgesehen, dieses z.B. als LimeSurvey Web-Formular in die neue CLARIAH-DE Webseite einzubinden, und damit auch Nutzerinnen und Nutzern die Möglichkeit zu eröffnen, ihre eigenen Editionsdaten entsprechend einzugeben. Basierend auf dieser Erfassung sollen dann auch Empfehlungen für eine potenzielle Überführung in ein Austauschformat gegeben werden können bzw. eben jene Editionen ermittelt, die den eigenen Editionsdaten ähnlich sind und somit best practice-Anregungen bieten.

In den vergangenen Wochen und Monaten wurden die Editionen der WDB maßgeblich von Susann Schwaß, der Wissenschaftlichen Hilfskraft im Projekt, nach den EdMa-Kriterien erfasst und auch visualisiert. Einen Eindruck dieser Arbeiten geben die folgenden beiden Infographiken, die jeweils Zusammenhänge zwischen einzelnen Kriterien darstellen. Die Graphiken basieren auf insgesamt 41 Editionen, die im Laufe der letzten Jahre und Jahrzehnte an der HAB oftmals auch als Kooperationsprojekte mit anderen Institutionen entstanden sind bzw. aktuell erarbeitet werden.

Infographik
Infographik zur Verwendung unterschiedlichen Quellenmaterials in den verschiedenen Disziplinen (von Susann Schwaß, HAB)

Die erste Graphik zeigt die Verwendung der unterschiedlichen Ausgangsmaterialien (Kriterium 5) in den verschiedenen Disziplinen (Kriterium 3). Gleichzeitig wird anhand dieser Darstellung auch auf den ersten Blick deutlich, dass Editionen der WDB zu einem großen Teil dem Bereich der historischen Forschungen zuzuordnen sind. Aufgrund des zeitlichen Schwerpunktes der HAB in der frühen Neuzeit ist nicht verwunderlich, dass dabei eine größere Menge der Editionen auf Drucken beruht. Dies gilt auch für die weiteren Disziplinen wie den Bereich der Philologien und der Religionswissenschaften, die zahlenmäßig hinter jenen aus den Geschichtswissenschaften zurückbleiben. Es ist nicht überraschend, dass sich insgesamt die Sammlungs- und Forschungsschwerpunkte der HAB hier deutlich niederschlagen.

Infographik
Infographik zur Verwendung der unterschiedlichen editorischen Modelle in den verschiedenen Disziplinen (von Susann Schwaß, HAB)

Die zweite Graphik stellt den Zusammenhang zwischen Editionsart (Kriterium 1) und disziplinärer Zugehörigkeit (Kriterium 3) dar. Blickt man in die Dokumentationen bzw. Einleitungen zu den verschiedenen Editionsprojekten, gibt es einige, die den Terminus „Edition“ offensichtlich eher vermeiden und von Transkription sprechen bzw. neben einer Edition mit textkritischen Anmerkungen auch Transkriptionen mitliefern. Dies erklärt den recht hohen Anteil an Transkriptionen in der Darstellung. In der Kodierung schlagen sich diese Unterschiede jedoch nicht unbedingt deutlich nieder, da zum einen nicht alle „textkritischen“ Editionen das entsprechende TEI-Modul umfänglich nutzen, zum anderen die Verwendung der Terminologie insgesamt sehr uneinheitlich gehandhabt wird. Sowohl im Bereich der Geschichtswissenschaften, wie auch in der Theologie nimmt die Historisch-kritische Edition einen hohen Stellenwert ein. Es mag verwundern, dass hier – wenn auch in recht geringer Zahl – textgenetische Editionen vorkommen. Solche gibt es zugegeben nur, wenn man nicht die Verwendung der dafür speziell eingeführten TEI-Elemente voraussetzt. Es wurde hier von einer breiten Definition ausgegangen, die auch jene Editionen berücksichtigt, die mit verschiedenen Mitteln versucht haben, Genese miteinzubeziehen. Diese Feinheiten lassen sich natürlich nicht so einfach aufnehmen bzw. abbilden und zeigen damit auch die Grenzen und Probleme bei der Anwendung einer solchen Erfassungsmethode wie der Editionsmatrix, die – um funktional zu sein – in der Masse eben nur eine grobe Kategorisierung bieten kann. Gleichzeitig sollten anhand der vorherigen Ausführungen aber auch die Potenziale und Notwendigkeiten der gewählten Vorgehensweise deutlich geworden sein.

Fazit und Ausblick

Abschließend soll die Relevanz der Arbeiten im Verbundprojekt CLARIAH-DE für die HAB zusammengefasst, sowie die nächsten Schritte bis Projektende skizziert werden. Wie erwähnt stammen zwei der drei Fallbeispiele, anhand derer die Evaluation maßgeblich erarbeitet wurde, aus Projekten der WDB. Für diese liegen damit Konzepte vor, wie eine Konvertierung der Daten zum DTABf stattfinden könnte. Da alle WDB-Editionen hinsichtlich ihrer Kodierung mehr oder minder streng dem hiesigen „Hausstil“ folgen, sind die an den beiden Editionen erarbeiteten Mappings zu großen Teilen auch auf andere hier entstandene Editionen übertragbar. Dies kann in mehrfacher Hinsicht von Interesse sein: gerade im Kontext der NFDI wird eine zukünftige Aufgabe darin liegen, u.a. Editionsdaten institutionenübergreifend erfassbar, auffindbar, abfragbar und damit nachnutzbar zu machen, z.B. durch eine Anbindung an Portale oder die Eingliederung in größere Korpora.[8] Ein einheitlicher Kodierungsstandard bzw. ein Austauschformat, in welches zur Weiterverarbeitung konvertiert werden kann, scheint hier ein gangbarer Ansatz zu sein.

Die Evaluation des DTABf im CLARIAH-DE Projekt leistet aber auch indirekt einen Beitrag für die anstehende Überarbeitung der WDB. In deren Kontext sollen u.a. die bisher geltenden „hauseigenen“ Kodierungsregeln zur Anwendung der TEI Guidelines vereinheitlicht und angepasst werden, um so in zukünftigen Editionsprojekten einen etwas strikteren Standard für die Textauszeichnung anzuwenden als dies bisher der Fall war. Die Entwicklung dieses neuen WDB-Standards soll dabei das DTABf als Ausgangspunkt nehmen, welches um nötige, insbesondere editionsphilologische Elemente erweitert wird, um die Anforderungen von Editionen innerhalb der WDB erfüllen zu können.

Bis Ende der Projektlaufzeit im Frühjahr dieses Jahres sollen noch möglichst viele weitere Editionen nach den EdMa-Kriterien aufgenommen und somit die Datenbasis sukzessive erweitert werden. Die daraus entstehende institutionenübergreifende Übersicht kann zum einen hilfreich für verschiedene Gruppen von Nutzerinnen und Nutzern (z.B. Editorinnen und Editoren, Studierende etc.) sein, zum anderen aber für die Beiträger, da eine solche auch die Sichtbarkeit von Editionsprojekten und damit der eigenen Institution erhöht. Die Evaluationsberichte zu den einzelnen Fallbeispielen aber auch übergreifende Berichte und Handreichungen, die im Projektkontext entstehen und entstanden sind, werden ebenfalls in Kürze publiziert werden.

[1] https://www.nfdi.de/. (zuletzt abgerufen am: 04.01.2021)

[2] https://www.gwk-bonn.de/fileadmin/Redaktion/Dokumente/Papers/NFDI.pdf ((zuletzt abgerufen am: 04.01.2021)

[3] Umfassendere Informationen zum Thema sowie der Zeitplan findet sich unter https://www.dfg.de/foerderung/programme/nfdi/. (zuletzt abgerufen am: 04.01.2021)

[4] Eine Übersicht über die geplanten Konsortien bietet https://www.forschungsdaten.org/index.php/Geplante_NFDI_Konsortien#.C3.9Cbersicht_der_NFDI-Konsortien (zuletzt abgerufen am: 04.01.2021)

[5] Eine Übersicht der beteiligten Institutionen findet sich unter https://www.clariah.de/ueber-uns/partner. (zuletzt abgerufen am: 04.01.2021)

[6] Einen Überblick über die in CLARIAH-DE eingepflegten Diensten mit weiterführenden Informationen findet sich unter https://www.clariah.de/ueber-uns/diensteliste. (zuletzt abgerufen am: 04.01.2021)

[7] Ausführlich hierzu Susanne Haaf, Alexander Geyken und Frank Wiegand, The DTA “Base Format”: A TEI Subset for the Compilation of a Large Reference Corpus of Printed Text from Multiple Sources, in: jTEI 8 (2014-2015). https://doi.org/10.4000/jtei.1114 (zuletzt abgerufen am 11.01.2021).

[8] Die NFDI-Initiative Text+ hat bereits im Vorfeld zur Antragseinreichung die Community dazu aufgefordert, Datenbeiträge in den Domänen Sammlungen, Editionen und lexikalische Ressourcen anzubieten, die zukünftig entsprechend für eine Integration in eine übergreifende Infrastruktur aufbereitet werden sollen. Vgl. https://www.text-plus.org/forschungsdaten/daten-aus-der-community/ (zuletzt abgerufen am 06.01.2021).

OCR zur Vorbereitung Digitaler Editionen

Beitrag von Elisa Herrmann (HAB)

Ein beträchtlicher Teil des im deutschen Sprachraum erschienenen schriftlichen kulturellen Erbes ist in mehreren, durch die DFG geförderten Kampagnen digitalisiert und in VD16, VD 17 und VD 18 nachgewiesen worden. Auch wenn damit viel erreicht und die Forschungsbedingungen erheblich verbessert wurden, ist dies doch nur erst eine unabdingbare Voraussetzung für den zweiten Schritt: die vollständige Umwandlung der Images in eine maschinenlesbare Form. Das gesamte schriftliche Kulturerbe als Volltext für Recherche und weitere Bearbeitung, etwa für digitale Editionen zur Verfügung zu stellen ist nicht nur eine verwegene Vision, sondern angesichts der jüngsten technischen Entwicklungen im Bereich OCR  ein realistisches Szenario.

Vom Bild zum Text – Der OCR-Prozess

Der OCR-Prozess beginnt bereits einige Schritte vor der eigentlichen Texterkennung. Zunächst wird das Bilddigitalisat im Preprocessing vorbereitet. Prozessschritte können dabei das Zuschneiden (Cropping), das Begradigen (Deskewing) und Entzerren (Dewarping) der Seiten sowie das automatische Bereinigen (Despeckling) sein. Das Preprocessing wird meist durch die Binarisierung abgeschlossen. Zu beachten ist, dass je nach Material und verwendeter Texterkennungsmethode auf einzelne Schritte des Preprocessings verzichtet werden kann.

So vorbereitet kann eine erste Layout-Erkennung durchgeführt werden. Die Seite wird dabei in Text- und Nicht-Textzonen und weiter bis auf einzelne Zeilen unterteilt. Dabei können die einzelnen Schritte des Preprocessing nochmals auf Absatz- und/oder Zeilenebene wiederholt werden. Größere Herausforderungen sind hier komplexe Layouts, etwa durch mehrspaltige Texte und Marginalien, aber auch Schmuckinitialen werden oftmals als Grafik und damit als Nicht-Text-Zone klassifiziert.

Dem folgt die eigentliche Texterkennung mittels OCR-Software. Sind derzeit vor allem noch klassische Verfahren der Optical Character Recognition bei vielen Digitalisierungsvorhaben verbreitet, drängen neuere Ansätze mittels Neuronalen Netzen stärker in den Fokus, deren Praxistauglichkeit für Massenprozessierungen es noch zu prüfen gilt. Eine Schwierigkeit der Texterkennung stellt vor allem der Schriftypen- und Sprachmix, teilweise auf Wortebene, dar.

Vergleich der Software Tesseract mit den klassischen Verfahren und OCRopus, die bereits modernere Ansätze verfolgt.

Nun kann als weiterer Schritt der Layout-Erkennung die Region Classification erfolgen. Dabei werden die layout-semantischen Funktion der einzelnen Textregionen, etwa Überschrift, Seitenzahl oder Marginalie, bestimmt. Dies ermöglicht auch die automatische Document Analysis mit deren Hilfe die Dokumentenstruktur aus den zuvor erkannten Strukturelementen erfasst wird um bspw. automatisch Inhaltsverzeichnisse zu generieren.

Da jedoch auch moderne Methoden bei historischen Vorlagen kaum eine gewünschte Qualität von >99% Textgenauigkeit erreichen, muss eine Nachkorrektur der OCR-Ergebnisse folgen. Die entsprechende Nachkorrektur kann manuell, etwa auch in Form von Crowdsourcing-Projekten, oder halbautomatisch mittels entsprechender Software durchgeführt werden. Solche Tools bieten die Möglichkeit potentiell falsch erkannte Wörter hervorzuheben und bieten ggf. mit Wörterbucheinträgen Vorschläge zur Korrektur an. Der Einsatz vollautomatischer Nachkorrekturverfahren wird auf Grund der uneinheitlichen Orthografie und zum Teil starker dialektaler Einflüsse in den historischen Materialien derzeit nicht in der Praxis angewandt.

Der korrigierte Text wird im finalen Schritt in die Langzeitarchivierung übergeben.

Das Projekt OCR-D

Der hier beschriebene OCR-Prozess wird bereits in dieser oder ähnlicher Form in vielen Digitalisierungsvorhaben für die Erstellung von Volltexten eingesetzt. In den letzten Jahren haben sich zudem diverse Herausforderungen der OCR für historische Drucke durch aktuelle Forschungsentwicklungen und innovative Ansätze gelöst. Fraglich ist jedoch ob diese Methoden bereits reif für den Praxiseinsatz und die Massenprozessierung sind.

Die „Koordinierte Förderinitiative zur Weiterentwicklung von OCR-Verfahren“, kurz OCR-D, versucht hier einen Lückenschluss zwischen Forschung und Praxiseinsatz indem für die Entwicklungsbedarfe Lösungen erarbeitet und der aktuelle Forschungsstand zur OCR mit den Anforderungen aus der Praxis zusammen gebracht werden.

Das Projekt versteht sich dabei als Koordinierungsgremium und Netzwerk zugleich, bringt Entwickler, Forscher und Anwender zusammen um aktuelle Erkenntnisse aus der Forschung mit den Anforderungen aus der Praxis in einer praktikablen Lösung zu vereinen.

Das DFG-geförderte Projekt wird von der Herzog August Bibliothek Wolfenbüttel, der Berlin-Brandenburgischen Akademie der Wissenschaften in Berlin sowie der Staatsbibliothek zu Berlin – Preußischer Kulturbesitz und dem Karlsruher Institut für Technologie betreut. In der ersten Projektphase wurden (Entwicklungs-)Bedarfe analysiert, die in der zweiten Projektphase durch Modulprojekte umgesetzt werden.

Für zukünftige Digitalisierungsprojekte haben die Ergebnisse aus OCR-D weitreichende Veränderungen. Zum einen soll die Transformation der Titel aus den VD-Projekten in maschinenlesbare Form vorbereitet werden, zum anderen werden auch Vorschläge für die Aktualisierung der DFG-Praxisregeln „Digitalisierung“ auf Grundlage der neuen Erkenntnisse erarbeitet, nicht zuletzt um im Geiste europäischer und nationaler Agenden die Medienkonversion des gesamten im deutschen Sprachraum erschienenen schriftlichen kulturellen Erbes mittel- bis langfristig zu vollenden.

Für weitere Einstiege in das Thema führt OCR-D eine Zotero-Liste für den Technology Watch: https://www.zotero.org/groups/ocr-d

 

Zitierempfehlung: Elisa Herrmann: OCR zur Vorbereitung Digitaler Editionen. In: Ex officina Seleni: aus der Werkstatt der Herzog August Bibliothek Wolfenbüttel. Blog der Arbeitsgemeinschaft Digitale Editionen. 29. Juni 2017. https://eos.hypotheses.org/229.

Agenten-Austausch

Beitrag von Jörn Münkner, Jaqueline Krone und Katrin Schmidt (MWW)

Die große Leidenschaft von Herzog August dem Jüngeren (1579-1666) war bekanntlich seine Bibliothek in Wolfenbüttel. Um an neue Bücher zu gelangen, benötigte er die Unterstützung von kompetenten Agenten. Werner Arnold hat vorgeführt, wie der Augsburger Philipp Hainhofer (1578-1647) und der in Paris ansässige Jean Beeck (um 1615-nach 1688) im Auftrag des Herzogs entsprechend agierten (Arnold1,2): Durch geschäftliche und persönliche Kontakte in die maßgeblichen Netzwerke integriert, unterrichteten sie den Fürsten über den Büchermarkt und das Angebot an exquisiten Objekten. Zudem waren sie Nachrichtenübermittler und übernahmen zum Teil diplomatische Aufgaben.

Neben Hainhofer und Beeck gehörte auch Benedikt Bahnsen (gest. 1669) zu Herzog Augusts Buchagenten. Wahrscheinlich war er seit dem Frühjahr 1660 von Amsterdam aus im Besorgungseinsatz. Dies legen seine in der HAB erhaltenen Briefe an den Wolfenbütteler Hof nahe (BA II.1 16-35). Der Briefwechsel umfasst 21 Schreiben Bahnsens an den hochgelehrten Fürsten, drei Konzepte von dessen Antwortschreiben sowie mehrere Bücherlisten und Rechnungen.

Der aus Norddeutschland in die Niederlande emigrierte Chiliast, Buchhändler, Verleger und Rechenmeister Bahnsen hinterließ nach seinem Tod 1669 in Amsterdam eine ca. 3000 Titel umfassende Büchersammlung. Die Libri Theologici und die Libri Medici & Chymici wurden im Rahmen des Projekts „Frühneuzeitliche Gelehrtenbibliotheken“ bereits bibliographisch detailliert erschlossen und mit Hilfe einer web-basierten Datenvisualisierung zugänglich gemacht        (online). Es tritt eine Bibliothek aus dem Nebel der Vergangenheit, bei der es sich um das umfangreichste Einzelrepositorium für nonkonformes und heterodoxes Schrifttum handeln dürfte. (vgl. Hakelberg) Die digitale Edition der Briefkorrespondenz steht in engem Zusammenhang mit diesem Rekonstruktionsvorhaben.

 

Erster überlieferter Brief von Benedikt Bahnsen an Herzog August vom 4. April 1660. Bibliotheksarchiv HAB Signatur: BA II.1 16r.

Die Briefe Bahnsens an den Herzog weisen Standardbestandteile auf: Datum und Ort (stets Amsterdam), formelhafte Anrede des Fürsten, Bezugnahmen auf bestellte Bücher, ihre Nicht-/Verfügbarkeit, Frachtwege, Erwähnung von Personen, die an der Bücherbeschaffung und der Bücherspedition beteiligt sind, Preise und Spesen, formelhafte Verabschiedung, Erwähnungen historischer Ereignisse und Personen, zum Teil sozialer Netzwerke, schließlich der Hinweis auf anhängende Bücherpakete.

Die für die zweite Jahreshälfte geplante digitale Edition präsentiert sämtliche Schreiben als digitale Einzelseitenfaksimiles sowie als weitgehend diplomatisch getreue Transkripte in XML/TEI-P5. Das bedeutet, dass sich die Textkonstitution an der Reproduktion der autographen, visuellen und materiellen Merkmale der epistolaren Originale orientiert, die durch Kodierungen festgehalten werden. Das Briefkonvolut rahmt eine bündige Einführung, erklärungsbedürftige Begriffe und Namen werden erläutert, Personen, Orte und Körperschaften werden durch Register erfasst, jeder Brief wird durch einen kurzen Abstract kontextualisiert. Das Hauptaugenmerk liegt auf der Recherche der in den Briefen enthaltenen oder als Appendizes mitgelieferten Bücherlisten.

Der Auktionskatalog der Bibliothek von Benedikt Bahnsen.
Foto: Jörn Münkner

Mit Hilfe der Briefedition und im Abgleich mit den Zugangskatalogen in der HAB lässt sich herausfinden, welche Drucke und Handschriften aus den angekündigten Sendungen Bahnsens tatsächlich in die Wolfenbütteler Sammlung eingegangen sind. Damit lassen sich Provenienzlinien von Büchern nachzeichnen. Zudem sollen Aussagen und Mitteilungen Bahnsens die Rekonstruktion der relevanten Gelehrten- und Buchhändlernetzwerke befördern. Nicht zuletzt sind die Auskünfte zu den Lebensbedingungen Bahnsens, seine Beobachtungen und Beurteilungen der Zeitumstände dazu angetan, die Konturen seiner historischen Person zu schärfen und die Existenz deutscher Exilanten in den Niederlanden zu präzisieren. Seine eigenen bibliophilen Vorlieben, wie sie der Verkaufskatalog seines Bücherbestands suggeriert, können durch seine epistolaren Kommentare validiert werden. Somit bietet das Briefkorpus – gleichsam von der Seite – einen komplementären, mikroperspektivischen Blick auf den geschäftstüchtigen Amsterdamer Exilanten Benedikt Bahnsen wie auf den bibliophilen Herzog in Wolfenbüttel.

 

Literatur

Arnold1, Werner: Philipp Hainhofer als Bücheragent Herzog Augusts d.J. von Braunschweig-Wolfenbüttel, in: Wolfenbütteler Barock-Nachrichten, Wiesbaden 41/2014, 1/2, S. 81-94.

Arnold2, Werner: Briefe aus Paris. Jean Beeck als Agent Herzog Augusts d.J. von Braunschweig-Wolfenbüttel, in: Buch – Bibliothek – Region. Wolfgang Schmitz zum 65. Geburtstag, hg. v. Christine Haug u. Rolf Thiele, Wiesbaden 2014, S. 15-26.

Hakelberg, Dietrich: Die fanatischen Bücher des Benedikt Bahnsen. Leben und Bibliothek eines religiösen Dissidenten, in: Autorenbibliotheken. Erschließung, Rekonstruktion, Wissensordnung, hg. v. Michael Knoche, Wiesbaden 2015, S. 113-146.

Beyer, Hartmut, Katrin Schmidt, Jörn Münkner u. Timo Steyer: Bibliotheken im Buch: Die Erschließung von privaten Büchersammlungen der Frühneuzeit über Auktionskataloge, in: Kodikologie und Paläographie im digitalen Zeitalter 4 / Codicology and Palaeography in the Digital Age 4, hg. v. Hannah Busch, Franz Fischer u. Patrick Sahle, Norderstedt (Books on Demand) 2017, S.43-70.

http://dev.hab.de/bibliotheksrekonstruktion/bahnsen/bahnsen-catSubjectFormat.html

 

Zitierempfehlung: Jörn Münkner / Jaqueline Krone / Katrin Schmidt: Agenten-Austausch. In: Ex officina Seleni: aus der Werkstatt der Herzog August Bibliothek Wolfenbüttel. Blog der Arbeitsgemeinschaft Digitale Editionen. 16. Juni 2017. https://eos.hypotheses.org/209.