Kategorien
Allgemein

Nodegoat: Eine web-basierte Forschungsumgebung für die Geisteswissenschaften

Wissenschaftler:innen im Bereich der Geisteswissenschaften welche mit Daten und deren Visualisierungen arbeiten sind vertraut mit der Problematik der Mehrdeutigkeit von Daten. Der folgende Beitrag möchte deshalb aufzeigen welche möglichen Lösungsansätze die web-basierte Forschungsumgebung Nodegoat (Bree & Kessels 2013) hier bietet.

Einführend werden die grundsätzlichen Möglichkeiten die Nodegoat bietet besprochen, wobei ein besonderes Augenmerk auf das Konzept der relationalen Datenbank gelegt wird. Anschliessend wird die Problematik der Mehrdeutigkeit bei Arbeiten mit Daten in den Humanities aufgegriffen und beschrieben welche möglichen Lösungen sich durch relationale Datenbanken ergeben. Abschliessend wird kurz umrissen, wie sich diese Ansätze in Visualisierungen darstellen lassen können.

Dieser Beitrag entstand im Kontext der Ringvorlesung «Einblicke in die Digital Humanities – Fokus Editionen» der philosophisch-historischen Fakultät der Universität Bern. Im Rahmen dieser Vorlesungsreihe präsentierte Dr. Kaspar Gubler am 12. Dezember 2021 Nodegoat und seine Anwendung im Kontext Digitaler Editionen.

Die Funktionsweise von Nodegoat

Nodegoat ist eine web-basierte Forschungsumgebung welche es Wissenschaftler:innen ermöglicht Daten zu sammeln, Modelle zu entwickeln und Ergebnisse zu visualisieren. Im Zentrum steht dabei das Anlegen von auf die Forschungsfrage ausgerichteten Datenmodellen, die mit Inhalten angereichert werden können. Eine Reihe von Suchfunktionen und nativ verfügbaren Visualisierungsformen wie bspw. Karten- oder Netzwerkansichten erlauben es den Forschenden die gesammelten Daten zu explorieren. Darüber hinaus bietet Nodegoat die Möglichkeit Daten zu publizieren: Wahlweise in Form einer interaktiven Visualisierung durch Nodegoat selbst, oder durch eine API welche es ermöglicht alternative Frameworks für die Darstellung zu nutzen.

Jede Arbeit mit Nodegoat beginnt mit der Konzeption eines individuellen, auf die Forschungsbedürfnisse zugeschnittenen Datenmodels. Im Kern des Datenmodels steht die Hierarchie Type -> Object -> Sub-Object. Wobei Type, bestimmt durch das Forschungsinteresse, bspw. eine Person, ein Buch, Bild oder Ereignis darstellen kann. Object besteht aus Instanzen des zuvor definierten Type, also bspw. aus einzelnen Personen oder Büchern. Zuletzt dient das Sub-Object dazu die einzelnen Objekte, also die Personen oder Bücher, in Zeit und Raum zu kontextualisieren, also bspw. um ein Geburtsdatum, Wohnort oder Publikationsjahr zu ergänzen.

Datenbanken in Nodegoat sind darauf ausgelegt relational zu sein. Das heisst sie verfolgen das Ziel verschiedene Objekte wie bspw. Personen und Bücher miteinander in Beziehung zu setzen. So kann bspw. ein Buch mit einem Autor und einem Erscheinungsort verknüpft werden. Der Autor wiederum kann mit einem Wohnort verknüpft werden. Dabei werden sowohl Bücher, Autoren sowie Orte einzeln erfasst und miteinander in Relation gesetzt. Dadurch wird es möglich nach Zusammenhängen zwischen den einzelnen Objekten zu suchen. So könnte man sich bspw. ausgehend von einem Ort, alle dort erschienenen Bücher und wohnhaften Autoren ausgeben lassen. (Eine ausführlichere Beschreibung des relationalen Ansatzes von Nodegoat findet sich hier).

Nodegoat verfolgt mit dem Ansatz der relationalen Datenbank unter anderem das Ziel, einer der grossen Herausforderungen beim Arbeiten mit Daten in den Humanities zu begegnen: Der Mehrdeutigkeit.

Die Herausfoderung der Mehrdeutigkeit

Eine der zentralen Fragen im Feld der Humanities die sich an das Arbeiten mit, und Visualisieren von, Daten stellt, ist der Umgang mit Mehrdeutigkeit. So weist bspw. Drucker darauf hin, dass den Geisteswissenschaften eine «interpretative Aktivität» zugrunde liegt, welche sich schlecht mit einer quantitativen Analyse von Phänomene in der Welt, wie sie bspw. in den Naturwissenschaften häufig vorzufinden ist, vereinbaren lässt (Drucker 2011). Auch Posner argumentiert, das Daten implizieren, dass etwas in klar definier- und abgrenzbaren Einheiten existiert, und dies dem Denken der Humanities zuwiderläuft (Posner 2015). Insbesondere bei Visualisierungen, denen oft die Fähigkeit zugesprochen wird bereits vorhandenes unverzerrt abzubilden, zeigt sich die Herausforderung Mehrdeutigkeit darzustellen (vgl. hierzu auch Felsing & Frischknecht 2021).

Auch die Macher von Nodegoat scheinen sich dieses Umstandes bewusst zu sein und heben hier die Wichtigkeit des Datenmodells hervor. Sie argumentieren, dass Mehrdeutigkeit nur visualisiert, und somit auch interpretiert, werden kann, wenn die zugrundeliegenden Daten mehrdeutig erfasst werden. In einem Blogpost zum Thema schreiben sie: «It’s not so difficult to draw a lighter/dashed line that represents an uncertain relationship; it’s much harder to find/create a dataset that has structured statements on the certainty of their relationships.»

Um Mehrdeutigkeit und Unsicherheit in einem Datenmodell abzubilden, werden zwei grundsätzliche Strategien vorgeschlagen. Einerseits besteht die Möglichkeit die Granularität von Daten zu erhöhen. So kann bspw. ein Datum wie 2022-12-17 in seine Einzelteile (Jahr, Monat, Tag), zerlegt werden. Fehlende Bestandteile bleiben leer und können als Lücken erkannt werden. Andererseits können die Daten um Kontextwissen ergänzt werden. So kann bspw. ein Datum hinsichtlich seiner Gewissheit klassifiziert werden (bspw. certain, probable, uncertain). Auch ist es möglich die Quellenlage in das Datenmodel miteinzubeziehen, um den Ursprung eines Datenpunkte transparent zu machen.

Auch während der Vorlesung verweist Kaspar Gubler diesbezüglich auf die speziellen Logik des Subobjects. Dadurch wird es möglich bspw. den Namen einer Ortschaft mit mehreren Koordinaten zu versehen, wenn aus der Quelle der Untersuchung nicht klar wird welche Ortschaft genau gemeint ist. Dabei wurde immer wieder hervorgehoben, dass es von grosser Wichtigkeit ist, die Überlegungen und Entscheide welche zum spezifischen Datenmodell führen zu dokumentieren, um die Nachvollziehbarkeit zu gewährleisten.

Potenziale für Visualisierungen

Denkt man Datenmodelle also aus der Perspektive der Humanities ergeben sich neue komplexe Datensätze als Ausgangslage für Visualisierungen.

Das Forschungsprojekt Relocating Modernism: Global Metropolises, Modern Art and Exile (METROMOD) untersucht bspw. die Auswanderung von europäischen Kunstschaffenden zwischen 1900 und 1950. Dabei wurden im Datenmodell bspw. die verschiedenen Wohn- und Arbeitsorte der Künstler:innen individuell erfasst und auf einer Karte visualisiert. Dabei wird ersichtlich welche Möglichkeiten sich durch die Verwendung von Objects und Sub-Objects eröffnen, wenn die verschiedenen Aufenthaltsorte der Fotografin Ruth Bernhard auf einer Karte visualisiert werden.

Die Karte die dabei entsteht weist zwar einen fixierten Örtlichen Bezug auf (Manhattan New York), gewinnt jedoch in der zeitlichen Dimension mehr Tiefe da sich die verschiedenen Aufenthaltsorte über einen Zeithorizont von rund 20 Jahren erstrecken (1927 – 1948) und simultan visualisiert werden. Dabei fällt auf, dass sich die Forschung inhaltlich auf das Manhattan der 40er und 50er Jahre bezieht, die Visualisierung jedoch das Manhattan von Heute abbildet.

Trotz solch inhaltlich-konzeptioneller Schwächen lässt sich am Beispiel dennoch gut erkennen welche Möglichkeiten für Visualisierungen sich aus relativen Datenmodellen, die eigens für spezifische Forschungsfragen entwickelt werden, ergeben. Abschliessend lässt sich festhalten, dass der Ansatz relationaler Datenbanken spannende konzeptionelle

Möglichkeiten für das datenbasierte Arbeiten in den Humanities eröffnen, in der Konsequenz aber auch komplexere Methoden der Visualisierung nötig werden.

Bibliography

Bree, P. van, Kessels, G., (2013). nodegoat: a web-based data management, network analysis & visualisation environment, http://nodegoat.net from LAB1100,http://lab1100.com

Drucker, J. (2011). Humanities Approaches to Interface Theory. Culture Machine, 12, 1–20.

Felsing, U., & Frischknecht, M. (2021). Critical Map Visualizations (In Press). In C. Schranz (Ed.), Shifts in Mapping Maps as a tool of knowledge. Transcript.

Posner, M. (2015, June 25). Humanities Data: A Necessary Contradiction. Miriam Posner’s Blog. https://miriamposner.com/blog/humanities-data-a-necessary-contradiction/


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.