Categories
Allgemein

Quantifizierung des Unbekannten

Auf dem privaten Markt zirkulierende Manuskripte: Digitalisierung und Analyse

Im Rahmen der Ringvorlesung „Einblicke in die Digital Humanities“ an der Universität Bern präsentierte Dr. Simon Gabay von der Universität Genf am 23. November 2020 das Forschungsprojekt „Quantifying the unknown – circulation of manuscripts on the private market: digitsation and analysis“.

Simon Gabay hat in Paris IV-Sorbonne und St Andrews studiert und sein Doktorat an der Universität Amsterdam abgelegt. Im Anschluss war er eine treibende Kraft im Aufbau der Digital Humanities an der Universität Neuchâtel und seit 2020 forscht er an der Universität Genf. Er beschäftigt sich intensiv mit der Erstellung von digitalen Korpora bestehend aus Sprachressourcen der französischen Klassik.[1] In diesem Rahmen befindet sich auch das im Folgenden vorgestellte Projekt, welches an der Universität Neuchâtel begonnen wurde, an der Universität Genf weitergeführt und vom Schweizerischen Nationalfonds (SNF) finanziert wird.

Zu Beginn muss bemerkt werden, dass das Forschungsprojekt „Quantifying the unknown“ zum Zeitpunkt der Präsentation an der Universität Bern noch nicht vollständig abgeschlossen wurde. Es handelte sich bei der Vorlesung um die erste offizielle Präsentation der Resultate, die Simon Gabay und sein Team bisher erarbeiten konnten. Womöglich ergeben sich deshalb noch kleinere Anpassungen. Dieser Blogbeitrag möchte die theoretischen Grundüberlegungen und insbesondere die im Projekt verwendeten und entwickelten Methoden beleuchten[2].

Den Ausgangspunkt der Untersuchung bildet die Frage nach der Quantifizierbarkeit des Unbekannten. Gabay und sein Team möchten herausfinden, wie viele Autorenmanuskripte (Handschriften, vom Autor/von der Autorin selbst angefertigt, keine Kopien) eines bestimmten Autors/einer bestimmten Autorin noch existieren und wie viele davon den Wissenschaften zugänglich sind. Um dies herauszufinden, haben Gabay und sein Team einen genialen Workflow ausgearbeitet, den wir uns nun genauer anschauen werden.

Theoretische Vorüberlegungen

Es ist natürlich eine schwierige Aufgabe, das zu quantifizieren, was wir nicht kennen. Die Frage lautet: Welche Daten können wir erfassen und was können wir daraus schliessen?

Die Grundüberlegung ist folgende: Alle noch existierenden Manuskripte eines Autors/einer Autorin befinden sich entweder zugänglich in Bibliotheken oder Archiven oder in privaten Sammlungen.

Die zugänglichen Manuskripte in Archiven und Bibliotheken sind relativ leicht zu ermitteln, da ihre Bestände katalogisiert sind. Die Manuskripte in privaten Sammlungen hingegen stellen eine unbekannte Grösse dar – diese kann jedoch weiter aufgeteilt werden: Einerseits gibt es historische Sammlungen, die sehr statisch und gut dokumentiert sind und sich meist im Besitz alter Adelsfamilien befinden. Andererseits gibt es eine unbekannte Menge an Manuskripten, die zwischen privaten Sammlern zirkulieren. Da wir diese letztgenannte Grösse nicht kennen, können wir einen Proxy verwenden – nämlich diejenigen Manuskripte, die noch auf dem Markt zirkulieren. Diese Grösse finden wir, indem wir von allen auf dem Markt verkauften Manuskripten solche abziehen, die sich im Besitz von Bibliotheken befinden (und folglich von den Bibliotheken gekauft wurden).

Daraus ergeben sich folgende Grössen:

1) Die Menge an Manuskripten die sich in Bibliotheken oder Archiven befindet
2) Die Menge an Manuskripten die sich in historischen Sammlungen befindet
3) Die Menge an Manuskripten die auf dem privaten Markt zirkuliert

Hierbei ist es wichtig anzumerken, dass alle diese Grössen immer in Relation zu einem bestimmten Zeitpunkt gedacht werden müssen. Da sowohl Bibliotheken und historische Sammlungen nicht zwangsläufig statisch und der private Markt sehr dynamisch ist, handelt es sich hier immer um Momentaufnahmen. Man muss sich bei allen Grössen folglich dazu denken: „Die Menge an Manuskripten […] zu einem bestimmten Zeitpunkt t.“

Aus einer Kombination dieser drei Grössen können wir dann errechnen, wie viele Manuskripte (zu einem bestimmten Zeitpunkt) noch existieren müssen. Die Voraussetzung dafür ist, dass wir wissen, wie viele Manuskripte auf dem Markt (bis zu diesem bestimmten Zeitpunkt) verkauft wurden.

Die Aufgabe ist es also alle Manuskripte eines bestimmten Autors/einer bestimmten Autorin zu ermitteln, die insgesamt auf dem Markt verkauft worden sind. Dieser Herausforderung stellen sich Simon Gabay und sein Team im Rahmen dieses Projekts. Als nächstes soll betrachtet werden, wie dies in der Anwendung konkret aussieht.

Praktische Anwendung

Als Beispielfall wurde für dieses Projekt Madame de Sévigné ausgesucht, eine französische Autorin des 17. Jahrhunderts, deren Werke grösstenteils im 18. Jahrhundert von ihrer Enkelin verbrannt wurden. Ein Teil davon hat jedoch überlebt und Ziel ist es nun, diese Menge anhand der eben erläuterten Überlegungen bestimmen zu können. Gabay und sein Team versuchen also konkret herauszufinden, wie viele Manuskripte von Madame de Sévigné auf dem Markt verkauft wurden, damit sie daraus (mit Hilfe der Kataloge von Bibliotheken, Archiven und historischen Sammlungen) herleiten können, wie viele Manuskripte noch existieren müssen. Die primäre Ressource dafür stellen Verkaufskataloge dar, die Anfang des 19. Jahrhunderts mit dem Entstehen eines etablierten Marktes für Manuskripte aufzutauchen beginnen (zuvor wurden solche Dokumente meist unter Aristokraten ausgetauscht). Darin finden sich abertausende Einträge von verkauften Manuskripten, so dass es nahe liegt für deren Analyse computerwissenschaftliche Methoden zu Hilfe zu nehmen. Dementsprechend sollen diese Kataloge digitalisiert, in ein einheitliches Format gebracht und in eine Datenbank eingegliedert werden, die dann effizient nach verschiedenen Kriterien abfragt werden kann (z.B. nach Einträgen von verkauften Manuskripten von Madame de Sévigné).

Um von gedruckten Katalogen zu einer solchen Datenbank zu gelangen, haben Gabay und sein Team folgenden Workflow entwickelt:

Abbildung 1: Workflow

Im Anschluss sollen die einzelnen Schritte etwas genauer beleuchtet werden.

OCR

OCR stellt die erste Stufe von Bild zu Text dar. OCR steht für Optical Character Recognition und bezeichnet Software, welche gescanntes oder fotografiertes Textmaterial (meist als PDF-Dokument) lesen und als Text auf dem Computer wiedergeben kann. Es handelt sich um eine digitale, automatisierte Transkription. Als Output werden dabei Textdateien generiert. Diese Technologie ersetzt das mühsame abtippen von Textressourcen, die man ins digitale Format überführen möchte.[3] Für dieses Projekts verwenden Gabay und sein Team eine open source OCR engine namens Kraken[4], welche über die eScriptorium App[5] implementiert werden kann. Diese ermöglicht einerseits das Training eines OCR-Modells (zum Lesen der Scans) und andererseits das Training eines Segmentierungs-Modells, welches den eingelesenen Text in wiederkehrende Sinneinheiten wie „Nummer“, „Autorenname“, „Datum“, „Verkaufspreis“ etc. aufteilen kann. Zusätzlich wird ein Modell verwendet, welches erfassen kann, ob Text normal, fett oder kursiv gedruckt wurde. Diese Informationen werden für den nächsten Schritt von Bedeutung sein. Folgende Abbildung veranschaulicht diesen Schritt. Die in unterschiedlichen Farben umrahmten Teile stellen einzelne Sinneinheiten dar (z.B. Braun für die Nummer des Eintrags, Rot für den Autor/die Autorin usw.):

Abbildung 2: Veranschaulichung des Segmentierungs-Modells

In diesem ersten Schritt des Workflows werden also Scans oder Fotos von gedruckten Katalogen mit Hilfe von OCR-Technologie in eine digitale Textdatei umgewandelt und zusätzlich alle wichtigen meta-textuellen, strukturellen Informationen erfasst.[6] Je mehr solcher Informationen man erfassen kann, desto vielfältiger und präziser kann man später die Datenbank abfragen. Ausserdem können viele weitere Dinge aus solchen Informationen herausgelesen werden, z.B. welche Manuskripte zu welcher Zeit auf dem Markt am gefragtesten waren und somit was die Käufer einer bestimmten Zeit besonders interessiert hat usw.

GROBID

Im zweiten Schritt wird die im ersten Schritt entstandene Textdatei in ein einheitliches XML-Format überführt. Darin sollen die einzelnen informationstragenden Elemente wie „Nummer“, „Autorenname“, „Preis“ usw. speziell ausgewiesen werden.

Für diese Aufgabe nehmen Gabay und sein Team eine Technologie namens GROBID-dictionaries[7] zu Hilfe. Dabei handelt es sich um einen java machine learning Algorithmus. Dieser wurde primär dafür entwickelt, digitalisierte Lexika automatisiert einheitlich zu strukturieren und dabei wichtige Elemente entsprechend zu markieren. Als Input nimmt dieser Algorithmus eine Menge an Textdateien und erzeugt als Output eine Datenbank bestehend aus einheitlich formatierten XML-Dateien mit möglichst vielen ausgewiesenen Zusatzinformationen. Da nun Einträge in Verkaufskatalogen von Manuskripten in ihrer Struktur den Einträgen von Lexika sehr ähnlich sind, kann der GROBID-Algorithmus auch für die Bearbeitung solcher Verkaufskataloge verwendet werden. Im Falle des bereits vorhin betrachteten Ausschnitts sieht das ungefähr so aus:

Abbildung 3: Veranschaulichung von GROBID-dictionaries

Der Algorithmus erkennt anhand einer Kombination aus textuellen und kontextuellen Elementen (z.B. Positionierung auf der Seite, Kursivierung oder Fettdruck etc.) die verschiedenen informationstragenden Elemente des Ausschnitts. Diese werden dann in der ausgegebenen XML-Datei mit speziellen tags versehen, z.B. <num></num> für die Nummer, <name type=“author“></name> für den Autorennamen usw. Das Endprodukt des zweiten Schrittes sieht deshalb für den vorigen Ausschnitt folgendermassen aus:

Abbildung 4: Endprodukt des GROBID-Algorithmus

Da GROBID-dictionaries primär für die Strukturierung digitaler Lexika entwickelt wurde, finden sich in der Formatierung einige tags, die für die Arbeit mit Verkaufskatalogen von Manuskripten nicht nützlich sind (z.B. <form></form>, <sense></sense>, <subSense></subSense>)[8]. Deshalb müssen Gabay und sein Team im nächsten Schritt die mit GROBID erzeugten XML-Dateien in eine eigens für ihre Forschungsabsichten zugeschnittene Formatierung überführen.

XSLT

Das Resultat aus dem zweiten Schritt wird deshalb anhand von XSLT in ein auf die Forschungsfrage zugeschnittenes XML-TEI-Format konvertiert. Dabei werden die in diesem Kontext sinnlosen tags durch angemessene ersetzt. Aus der eben gezeigten XML-Formatierung durch GROBID wird nun:

Abbildung 5: Beispieldatei nach der Umwandlung via XSLT

Wie man im Vergleich zu der vorigen Version feststellen kann wurden einige tags bereinigt und durch andere ersetzt. Diese Formatierung ist besser für die Ziele des vorgestellten Forschungsprojekts geeignet.

Die so erzeugten und formatierten Dateien[9] kann man nun als Datenbank nach bestimmten Kriterien abfragen. Beispielsweise kann man nach Einträgen filtern, welche im tag <name type=“author“></name> den Wert „Scudéry (Madeleine de),“ enthalten und man erhält als Ausgabe alle Einträge die einen Verkauf eines Manuskriptes von Madame de Sévigné dokumentieren. Um den potentiellen Erkenntnisgewinn der so entstandenen Datenbank weiter zu erhöhen, können weitere Eigenschaften der Einträge mit tags versehen werden. Je mehr verschiedene Eigenschaften mit spezifischen tags versehen sind, desto mehr Vergleichs- und Filtermöglichkeiten erhält man. Dies geschieht hier im vierten und letzten Schritt.

PYTHON

Anhand eines python-Skripts werden den formatierten Dateien aus Schritt drei automatisch weitere tags hinzugefügt:

Abbildung 6: Beispieldatei mit spezifizierten tags

Wie man sehen kann wurden durch das Skript insbesondere innerhalb des <desc></desc>-tags weitere Spezifikationen eingetragen (wie <term></term> oder <date></date>). So ergeben sich neue Möglichkeiten der Abfrage der Datenbank. Nun kann man beispielsweise nicht nur nach Autorennamen oder Beschreibung sortieren, sondern auch nach Datum, Länge des Textes, Preis usw. Dies erhöht die epistemologische Fruchtbarkeit der Datenbank enorm.

Da jedoch Anfragen an eine Datenbank bestehend aus XML-Dateien rechnerisch aufwändig ist und somit zu viel Zeit in Anspruch nimmt, werden die spezifizierten XML-Dateien zum Schluss in kleine JSON-Dokumente umgewandelt (dies geschieht ebenfalls durch das python-Skript). Diese ermöglichen eine schnellere Bearbeitung, wodurch Abfragezeiten reduziert werden. Ein solches JSON-Dokument sieht in unserem Beispielfall so aus:

Abbildung 7: Beispieldatei nach der Umwandlung in ein JSON-Dokument

Man kann erkennen, dass alle wichtigen Informationen eines Eintrages erfasst wurden und übersichtlich angezeigt werden[10].

Zusammenfassung und Fazit

Simon Gabay und sein Team haben im Rahmen des Forschungsprojekts „Quantifying the unknown“ einen 4-Schritte-Workflow erarbeitet, der es ermöglicht, von Scans oder Fotographien von gedruckten Verkaufskatalogen für Manuskripte, automatisch zu einer digitalen Datenbank zu gelangen. Dabei werden alle wichtigen Informationen der einzelnen Einträge erfasst.

Der Einsatz von Computertechnologie in einer geisteswissenschaftlichen Disziplin ermöglicht dadurch etwas, was ohne diese Technologie nicht möglich wäre. Mit einer solchen Datenbank kann nun versucht werden, die zu Beginn dieses Beitrags erläuterte Forschungsfrage zu beantworten: Wie viele Manuskripte eines bestimmten Autors/einer bestimmten Autorin existieren noch und wie viele davon sind den Wissenschaften zugänglich?

Das ist natürlich nicht die einzige Frage, die man damit beantworten kann. Eine so detaillierte Datenbank lässt sich in Hinblick auf verschiedene Forschungsfragen verwenden. Beispielsweise kann man versuchen, einzelne Manuskripte und ihre Bewegungen zu rekonstruieren.

Das Projekt „Quantifying the unknown“ ist ein gutes Beispiel dafür, wie geisteswissenschaftliche Forschung mit Hilfe von computerwissenschaftlichen Methoden in neue fruchtbare Forschungsbereiche vordringen kann. Das ist der Inbegriff von Digital Humanities. Genau solche Projekte veranschaulichen für mich den Wert kreativer, interdisziplinärer Forschung.

Ein weiterer Aspekt den ich hervorheben möchte ist die Tatsache, dass Simon Gabay und sein Team grossen Wert darauf gelegt haben, möglichst ausschliesslich mit open source software zu arbeiten. Ausserdem sind alle Teile des Projekts ebenfalls open source und somit für alle öffentlich zugänglich. Interessierte Personen können sogar einen Beitrag dazu leisten oder den Code für andere Zwecke weiterverwenden (die gitHub-Links wurden an den entsprechenden Stellen eingefügt). Ich bin der Meinung, dass der offene Umgang mit Code der richtige Weg in der digitalen Gesellschaft ist. Deshalb unterstütze ich die Entscheidung das Projekt open source zu betreiben.

Natürlich hört das Forschungsprojekt an dieser Stelle nicht auf, denn Simon Gabay und sein Team wollen nicht bloss eine Datenbank erstellen, sondern daraus auch neue Erkenntnisse gewinnen. Genau deshalb nutzen sie die Datenbanken um solche Fragen wie die Frage nach den noch existierenden Manuskripten oder die Frage nach der Rekonstruktion bestimmter Manuskripte zu beantworten.


Weiterführende Ressourcen

Link zur aufgezeichneten Präsentation: https://www.dh.unibe.ch/studium/lehrveranstaltungen/ringvorlesung_einblicke_in_die_digital_humanities/index_ger.html


Link zu der im Projekt entstandenen App: https://katabase.herokuapp.com/


Link zu allen Daten des Projekts:
https://github.com/katabase/


Weiteres:
https://hal.archives-ouvertes.fr/hal-02898929
https://hal.archives-ouvertes.fr/hal-02388407
https://hal.inria.fr/hal-02272962

Abbildungsverzeichnis

Alle Abbildungen stammen aus den Folien der Präsentation von Simon Gabay und wurden mit seiner Erlaubnis eingefügt.


[1] https://www.unige.ch/lettres/humanites-numeriques/fr/la-chaire/equipe/dr-simon-gabay/ (letzter Aufruf: 09.12.20)

[2] Aus Platzgründen geschieht dies hier in vereinfachter Form. Ziel ist es lediglich die Zusammenhänge aufzuzeigen und das Grundkonzept des methodischen Teils verständlich darzustellen. Für genauere Ausführungen hinsichtlich aller hier beschriebenen Prozesse siehe die Aufzeichnung von Simon Gabays Präsentation und die weiterführenden Ressourcen am Ende dieses Blogbeitrags.

[3] Ein so umfangreiches Projekt wäre ohne solche Technologien kaum möglich. Der Arbeitsaufwand wäre viel zu hoch.

[4] https://github.com/mittagessen/kraken (letzter Aufruf: 09.12.20)

[5] https://ieeexplore.ieee.org/document/8893029 (letzter Aufruf: 09.12.20)

[6] https://github.com/katabase/OCRcat (letzter Aufruf: 09.12.20)

[7] https://github.com/katabase/GROBID_Dictionaries (letzter Aufruf: 09.12.20)

[8]Hier ist noch anzumerken, dass der GORBID-Algorithmus natürlich nicht perfekt ist. Dass eine Datei so fehlerlos konvertiert wird wie im gezeigten Beispiel stellt den Idealfall dar. Je mehr Trainingsdaten man dem Algorithmus zur Verfügung stellt, desto präziser wird das Resultat ausfallen. Aber um manuelle Nachkorrekturen gewisser Einträge wird man dabei nicht herumkommen.

[9] https://github.com/katabase/1_OutputData (letzter Aufruf: 09.12.20)

[10] https://github.com/katabase/reconciliation (letzter Aufruf: 09.12.20)


Dieser Beitrag wurde von Luca Querciagrossa an der Universität Bern im Rahmen der Ringvorlesung „Einblicke in die Digital Humanities“ (2020) verfasst.


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.