Zeitsegeln für Anfänger #2

Petri heil meine maritimen Freunde*innen!

Im zweiten Blog geht es um das Arbeiten mit den bereits im ersten Blog erwähnten Texten. Packt die Ruten aus, denn heute angeln wir in den Untiefen unseres Textkorpus!

Ein Korpus ist in unserem Fall die Summe der Zeitungen, welche wir mit Hilfe von Transkribus ausgelesen haben. Für die konkrete Aufgabenstellung mussten wir die Zeitungen einer Woche in die sogenannten Voyant-Tools einspielen. Dieses Onlinetool  bietet nun Möglichkeiten, den Text rasch zu analysieren und auszuwerten. Ein paar Beispiele:

Cirrus – Die Wortwolke

Unmittelbar nach dem Einspielen der Textdateien greifen die Tools und das markanteste Widget ist der/die/das Cirrus. Dort werden die häufigsten X Wörter dargestellt, je häufiger desto größer und weiter in der Mitte. Da unsere Texte nicht korrigiert aus Transkribus übernommen wurden, waren diese vor allem einzelne Ziffern und Buchstaben. Dies lässt sich über die Stopwords beheben: Eine Liste von Wörtern, die bei der Zählung ignoriert werden.

In unserem Fall war es daher notwendig nach und nach Stopwords zu ergänzen und die Veränderungen in der Wortwolke zu beobachten. Nachdem ich die Wörter Schritt-für-Schritt in die Liste eingepflegt hatte, erhielt ich tatsächlich ein stimmiges Ergebnis:

Vergleich der Wortwolke vorher/nachher

Context

Das Kontext-Tool bietet die Möglichkeit, sich das gesuchte Wort im Satz anzusehen. Hierzu wird das gewünschte Wort in das Suchfeld eingegeben, und es werden zeilenweise die passenden Einträge aufgelistet, jeweils mit den X Wörtern vor und nach dem Gesuchten. Die Anzahl der vor- und nachstehenden Wörter kann selbstverständlich nach Bedarf angepasst werden.

So konnte ich etwa das Wort „gesucht“ anklicken und mir wurde durch die Kontextzeilen rasch klar, dass es sich um die Kleinanzeigen der Zeitungen handelt, die wohl in Summe einen Großteil des Korpus ausmachen, weshalb Wörter, die üblicherweise in solchen vorkommen, dominant vertreten waren.

Trends

Die Trends ermöglichen eine übersichtliche Darstellung von Wörtern, um schnell vergleichen zu können, in welchen Dateien des Korpus diese wie häufig vorkommen. Ebenfalls ist es möglich, sich für ein einzelnes Wort die Häufigkeit in den einzelnen Segmenten einer bestimmten Datei anzuzeigen. Meiner Einschätzung nach kann man mit Hilfe der Trends „Ausreißer“ festmachen, die zwar in einzelnen Abschnitten des Korpus extrem häufig sind, in den anderen jedoch so gut wie gar nicht vorkommen.

Die fünf häufigsten Wörter (nach Stopwords) in der Trendanalyse. Auf der X-Achse sind die einzelnen Dateien vermerkt, auf der Y-Ache die relative Häufigkeit des Wortes.

Summary

In diesem zusammenfassenden Tool werden die harten Fakten des Korpus angezeigt. Etwa die Anzahl der Worte jedes einzelnen Dokumentes, wie viele unterschiedliche Wörter es gibt, die durchschnittliche Satzlänge und die „einzigartigsten“ Wörter jeder einzelnen Datei. Besonders letzteres wirkt auf mich sehr interessant.

Die Zusammenfassung der “Distinctive words” aus unserem Korpus. Daraus kann man etwa folgern, dass es in der Datei vom 1.2.1919 (1.) wohl einen Artikel über die Jagd gab.

Topics

Der Sinn von Topics – sofern ich ihn richtig verstanden habe – besteht darin, Begriffe, die zusammen auftreten, zusammenzuführen („clustern“). So können Schlüsselwörter herausgefunden werden, die wiederum hinterfragt und weiter analysiert werden können. Den genauen Prozess dahinter kann man getrost als „Computer-Hokus-Pokus“ bezeichnen, wichtig ist das Ergebnis: Eine kurze Liste von Begriffen, die – laut Auswertung des Computers – häufig beieinander stehen und eine kleine Darstellung, in welchen Dateien des Korpus diese sich häufen.

Die ersten paar Zeilen des Topic Modelings von Voyant.

Overview – Topic trees

Overview ist ein ähnliches Tool wie Voyant, nur mit dem kleinen Ärgernis, dass man sich hier für die Nutzung im Vorfeld registrieren muss. Hier läuft das Topic Modeling jedoch anders ab als bei Voyant: Es werden alle Dokumente einmalig kategorisiert, weshalb der Baum bei unserem Korpus sehr klein und wenig differenziert erscheint. Glücklicherweise lässt sich der Ansatz erkennen. Overview prüft die Ähnlichkeit der Dokumente und gibt sie bei einer hohen Korrelation in einen Themenbereich, dieser kann ggf. weiter aufgespalten werden. Nützlich sind hier die Hinweise „MOST“ und „ALL“, die andeuten, ob die Dokumente in dieser Kategorie die entsprechenden Begriffe meistens oder immer enthalten. Auf den ersten Blick wirkt das Topic Modeling von Overview auf mich besser als jenes von Voyant.

Der Topic tree von Overview. In der obersten Ebene sind alle sieben Datein enthalten, diese werden dann zu drei einzelnen Datein und zwei neuen Kategorien aufgeteilt. Letztere enthalten wiederum jeweils zwei Dateien.

Alles in allem bieten diese Tools unglaubliches Potenzial – nicht nur für die Auswertung nach bereits ausgedachten Mustern, sondern können auch den zündenden Funken für eine neue Idee bieten. Durch die unterschiedlichen Darstellungsformen der Ergebnisse wird es möglich, dass ein kleines Wort in einem Zusammenhang gezeigt wird, der einen Denkprozess in Gang setzt, der die größte Entdeckung seit Amerika werden könnte!

Mit diesem Wissen seid ihr nun zum Landgang entlassen. Ich freue mich bereits mit euch die nächste Segeltour anzutreten!


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