Die historische Netzwerkanalyse hat Knoten und Kanten

(c) Pixabay

Hallo und herzlich willkommen zu meinem dritten Blogbeitrag, in dem ich über meine Erfahrungen mit der historischen Netzwerkanalyse berichten möchte. Eines vorweg: Es war und ist eine wahre Herausforderung – zumindest für mich. 

Was ist eine historische Netzwerkanalyse?

Die historische Netzwerkanalyse verortet Named Entities in Raum und Zeit. Named Entities wiederum sind Eigennamen wie z.B. Namen, Organisationen oder Orte. Mithilfe der Netzwerkanalyse kann man Beziehungsgeflechte erkennen und diese auch grafisch darstellen. Als Grundlage dafür eignen eignen sich zum Beispiel Briefkorrespondenzen, anhand derer man Kontakte zwischen historischen Akteuren herausfinden kann. Bei diesem Beispiel werden die Personen als Knoten und ihre Verbindungen als Kanten bezeichnet. Für meine Netzwerkanalyse hatte ich allerdings keine Briefe sondern Zeitungen als Korpus. Und das hat einige Herausforderungen mit sich gebracht.

Wie bin ich an die Aufgabe herangegangen?

Zunächst einmal braucht es ein Korpus, aus dem sich Named Entities herauslesen lassen. In meinem Fall war das das Linzer Volksblatt (November 1918). Mehr Infos zum Quellenkorpus gibt es in meinem ersten Blogbeitrag November 1918: Historical meets digital. Ich hatte allerdings meine Mühe, darin solche Entities zu finden, die dann auch noch in Beziehung zu setzen sind. Deshalb habe ich mich dafür entschieden, alle gesellschaftlichen Unruhen (z.B. Plünderungen, Demonstrationen, Besetzungen etc.) herauszusuchen.

Um diese mit Programmen weiterzuverarbeiten, erstellt man am besten eine Excel-Tabelle, in der man die relevanten Informationen festhält. Meine Kategorien waren:

  • Ereignis (z.B. Plünderung)
  • Grund (z.B. Kriegsende)
  • Akteure (z.B. Soldaten)
  • Stadt (z.B. Linz)
  • Koordinaten (z.B. 48.30639, 14.28611)

Welche Programme gibt es dafür?

Ich habe die Netzwerkanalyse in den Programmen Palladio und Nodegoat ausprobiert. Beide sind kostenlos.

Palladio

Palladio ist ein online Tool der Universität Stanford. Anmeldung ist keine nötig – das bringt allerdings mit sich, dass sich die Daten nicht online speichern lassen. Die Anwendung ist einfach und intuitiv. Man kopiert die relevanten Daten aus der vorgefertigten Excel-Tabelle in den dafür vorgesehen Bereich. Wichtig ist, dass man auch die Kopfzeile mit den Kategorien inkludiert. Die Ergebnisse kann man sich dann z.B. auf einer Karte anzeigen lassen.

Je größer die Punkte, desto mehr Einträge gibt es an diesem Ort. In diesem Fall stehen die Punkte für die Ereignisse.
Mit der Graph-Funktion in Palladio lassen sich Daten mit Orten bzw. Ereignissen verbinden.

Nodegoat

Nodegoat kann im Gegensatz zu Palladio den zeitlichen Verlauf darstellen, was für Historiker*innen besonders interessant ist. Allerdings ist Nodegoat ein Fall für sich. Ich habe mich bis heute nicht wirklich damit anfreunden können. Ich bin mir aber sicher, dass das nur an der fehlenden Übung liegt. Denn Nodegoat ist sehr komplex: Zunächst muss man einen Account erstellen. Das hat im Gegensatz zu Palladio den Vorteil, dass man die Projekte speichern kann. Hat man in einem weiteren Schritt ein Projekt erstellt lassen sich dann im Bereich „Model“ sogenannte „Object Types“ einrichten. Das sind jene Kategorien, die angeben möchte. In meinem Fall war ein Object Type „Ereignis“. Unter „Descriptions“ habe ich „Anlass“ und „Akteure“ aufgenommen. Als „Sub-Object“ habe ich „Datum“ und „Ort“ definiert. Unter dem Menüpunkt „Data“ lässt sich die in „Object Types“ vorgefertigte Maske nun mit den verschiedenen Ereignissen befüllen, sodass bei mir eine Liste von 48 unterschiedlichen Ereignissen, wie z.B. Plünderungen, Besetzungen oder Demonstrationen entstanden ist.   

Ein besonderes Feature von Nodegoat ist die Darstellung des zeitlichen Verlaufes.

Welche Probleme und Schwierigkeiten gab es?

In der Vorbereitung sowie bei der Arbeit mit den Programmen gab es einige Herausforderungen: Zunächst habe ich gemerkt, dass ohne konkrete und geeignete Fragestellung nichts geht. Nur so lassen sich genau jene Named Entities herausfiltern, die relevant sind. Denn: Es ist aufwändig, ein gesamtes Korpus zu durchsuchen – und in meinem Fall waren es „nur“ 24 Zeitungen. An dieser Stelle muss ich allerdings anmerken, dass mir die Texterkennung von Transkribus dabei sehr geholfen hat. So konnte ich das Korpus nach Schlagworten durchsuchen. 

Schließlich hat es auch die Kategorisierung in sich: Die Kategorien müssen schlüssig sein. Sie dürfen nicht zu weit oder zu eng gefasst sein, um zu einem aussagekräftigen Ergebnis zu kommen. In meinem Fall ist es wohl daran gescheitert eine Verbindung zwischen den Knoten herzustellen. Ich habe mich nämlich nicht für Personen entschieden sondern für Ereignisse. Die Akteure sind zumeist abstrakt. Es sind politische Parteien, soziale Gruppen etc. Diese lassen sich in dieser Hinsicht nicht verbinden. Was sich allerdings verbinden lässt sind Daten bzw. Orte mit den bestimmten Ereignissen. 

Insgesamt würde ich sagen, dass mein Zeitungskorpus nicht geeignet für die Netzwerkforschung ist, da es – zumindest zu diesem Zeitpunkt rund um das Kriegsende – sehr heterogen war. Ich kann mir vorstellen, dass eine Zeitung, in der es feste Rubriken, wie z.B. Inland, Ausland oder Sport, gibt, einfacher zu bearbeiten ist. 

Welchen Nutzen hat eine solche Visualisierung?

Erstellt man ein solches Netzwerk, ist man gezwungen, sich intensiv mit dem Korpus auseinanderzusetzen. Das ist einerseits sehr aufwendig. Andererseits bekommt man so einen detaillierten Einblick in das Korpus. Mithilfe von Voyant-Tools und Overview (mehr dazu in meinem zweiten Blogbeitrag) habe ich zwar schon Häufigkeiten und wichtige Themen herausfiltern können. Die Netzwerkanalyse geht aber noch einen Schritt weiter und fokussiert den Blick auf ein bestimmtes Thema. Gleichzeitig verschafft die Visualisierung einen Überblick, der sowohl Raum als auch Zeit berücksichtigt. Das ist insbesondere bei Nodegoat gegeben. Dadurch lassen sich einerseits Fokalpunkte herausfinden. In meinem Fall hat sich gezeigt, wo viele Unruhen stattgefunden haben. Andererseits richtet die Visualisierung den Blick auch auf die Peripherie. So erkennt man beispielsweise, dass es auch außerhalb der Hauptstädte zu Unruhen kam. 

Hat man die Daten erst einmal eingespeist, kann man verschiedene Fragestellungen beantworten. So lassen sich beispielsweise Ereignisse mit Akteuren verbinden, Akteure in Europa verbinden oder zeitliche Daten mit dem Raum kombinieren. 

Wo kann man eine Netzwerkanalyse anwenden?

Abseits von meinem Korpus kann die Netzwerkanalyse für viele Fragestellungen spannend sein. Ich denke dabei nicht nur an die Geschichtswissenschaften, so kann es auch Literatur- und Sprachwissenschafter*innen unterstützen. Insgesamt denke ich, dass die Visualisierung vielen Disziplinen zugutekommen kann.

Für die Geschichtswissenschaften fallen mir einige Themen ein, für die eine Netzwerkanalyse relevant sein kann: Wie bereits erwähnt, lassen sich aus Briefkorrespondenzen Netzwerke herauslesen. Das würde sich auch für Untergrundnetzwerke, etwa im Widerstand, anbieten. Spannend können solche Netzwerkanalysen auch für die Diplomatiegeschichte sein. Beschäftigt man sich intensiv mit einer historischen Person, ist auch dann die Erstellung eines Netzwerks interessant. 

Mein Fazit

Alles in allem würde ich sagen, dass meine Netzwerkanalyse ein guter Probedurchgang war. Daraus habe ich gelernt, dass vor allem die detaillierte Vorbereitung wichtig ist. Mit der richtigen Fragestellung, die zum Korpus passt, kann eine Netzwerkanalyse viele Ergebnisse bringen. Wichtig sind ein durchdachtes Konzept und Ausdauer, dann gelingt die Netzwerkanalyse bestimmt!

Bis bald

Theresa

Hier noch die wichtigsten Links:


Das könnte dich auch interessieren …

Eine Antwort

  1. 13. Januar 2021

    […] aufgefallen, anhand derer ich das Korpus strategisch durchsucht habe. Im vorhergehenden Blogbeitrag Die historische Netzwerkanalyse hat Knoten und Kanten habe ich bereits versucht, diese Informationen in einer Netzwerkanalyse […]

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