Wie viele Algorithmen brauchen Historiker:innen des 21. Jahrhunderts? Ein Erfahrungsbericht zu Data Mining und Topic Modeling

Hallo und herzlich willkommen zum dritten Eintrag in meinem Digital History Blog. Nachdem wir das letzte Mal die Chancen und Herausforderung der Transkriptionssoftware Transkribus thematisiert haben, soll es heute um das große Thema Data und Text Mining gehen.

Eines sei vorausgeschickt: Nicht nur als Historiker*in, sondern auch im Alltag ist man als ein im 21. Jahrhundert lebende Mensch mit großen Datenmengen konfrontiert. Informatiker:innen und Datenanalytiker:innen beschäftigen sich bereits über ein halbes Jahrhundert mit der Frage, wie wachsende Datenkorpora nach sinnvollen Kriterien geordnet, sortiert, ausgewählt, analysiert und interpretiert werden können. Seit den 1990er-Jahren und verstärkt seit den 2000er-Jahren haben Methoden, Strategien und Techniken aus dem IT-Bereich auch Einzug in die Geisteswissenschaften gehalten. In den Digital Humanities, zu denen u.a. die Digital History gehört, werden computergestützte Analyseverfahren genutzt, um der großen Datenmengen Herr oder Frau zu werden.

Eine wichtige Rolle in diesem Prozess spielt „Data Mining“. Was wörtlich „Abbau von Daten“ heißt, meint die Analyse von Datenkorpora durch computersgestütze Verfahren, die statistische und/oder linguistische Kriterien nutzen. Das klingt zunächst extrem kompliziert und angesichts der im Hintergrund ablaufenden Algorithmen nahezu undurchschaubar. Es gibt aber auch Websites und Programme, die durch eine einfache und recht spielerische Art und Weise neue Perspektiven auf bestimmte Datenkorpora zulassen.

In den folgenden Passagen möchte ich euch deshalb einen kurzen Einblick in meine Erfahrungen mit den beiden Programmen Overview und Voyant Tools geben. Auf beide Programme habe ich dasselbe Textkorpus hochgeladen. In meinem Fall waren das die Ausgaben des Journals des Österreichischen Lloyd der Monate März und April 1836. Da nach den aus dem Hafen von Triest ein- und auslaufenden Schiffen gesucht werden sollte, wurden nur die dafür relevanten Passagen im Vorfeld transkribiert. An dieser Stelle möchte ich betonen, dass ein fehlerfrei korrigiertes Textkorpus eine Grundbedingung für eine aussagekräftige Analyse ist. Ich musste nach der automatischen Transkription mittels Transkribus in einem individuellen Korrekturgang zahlreiche Fehler ausbessern – ein sehr zeitintensiver Schritt.

Nach der Generierung einer Textdatei mit den relevanten Quellenpassagen habe ich diese ins jeweilige Text Mining-Programm hochgeladen. Nach wenigen Augenblicken präsentierte sich mir auf Voyant Tools eine große Anzahl unterschiedlicher Tabellen, Digramme, Karten und Listen. Diese lassen sich recht spielerisch und intuitiv verschieben und modifizieren.

So stellt sich die Startseite von Voyant Tools dar, nachdem man das Textkorpus hochgeladen hat.

In dieser ersten Fassung sind die Ergebnis noch kaum relevant. Die Wortwolke zeigt dabei etwa, dass Begriffe wie „dto“, „Kap“, „Schiff“, „Gebinde“, „Kisten“, „Ballen“, „Fässchen“, „Österreich“ und diverse Zahlen am häufigsten im Textkorpus vorkommen. Zu berücksichtigen ist allerdings, dass außer „Österreich“ jeder einzelner dieser Begriffe als “Stopword” bezeichnet werden kann und folglich für die Analyse wertlos sind. Diese Wörter versperren den Blick auf die tatsächlich relevanten Informationen im Textkorpus, da es sich lediglich um Abkürzungen („dito“), Mengenangaben („Kisten“, „Fässchen“) oder Zahlen handelt. Sehr hilfreich ist die Option, diese Begriffe manuell als Stopwords zu markieren. Dadurch ergibt sich ein wesentlich aussagekräftigeres Bild von den Begriffen, die im Textkorpus vorkommen.

Die Ergebnisse der Wortwolke auf Voyant Tools können sehr unterschiedlich sein. Beide Wortwolken wurden mit 55 Begriffen gestartet. Während auf der linken Seite das ungefilterte Quellenkorpus als Wortwolke abgebildet ist, wurden auf der rechten Seite die Stopwords manuell ausgesondert.

Spannend kann auch die Trendanalyse bestimmter Begriffe im Korpus sein. Inspiriert von den Ergebnissen der Wortwolke habe ich die Nation der Schiffe in das Feld für die Trendanalyse eingegeben und folgendes Ergebnis bekommen. Daraus geht hervor, dass österreichische Schiffe zahlenmäßig überlegen waren, dass aber ebenfalls Schiffe unter griechischer, englischer, US-amerikanischer und päpstlicher Flagge Handel mit Triest trieben. Ähnlich kann man auch mit den fünf am häufigsten genannten Waren verfahren. Aus dem Diagramm lassen sich die relativen Häufigkeiten der Nennungen von Baumwolle, Kaffee, Öl, Zucker und Bretter ablesen. Allerdings muss berücksichtigt werden, dass im Diagramm nur die Häufigkeit der Nennung, nicht das insgesamte Handelsvolumen des jeweiligen Produktes, abgebildet wird. Dieselbe Vorgehensweise konnte auch in Bezug auf die am häufigsten im Journal genannten Herkunfts- und Zielstädte der Handelsschiffe angewandt werden.

Die Trendanalyse auf Voyant Tools ermöglicht interessante Einblicke in die relative Häufigkeit bestimmter Begriffe. Für meinen Quellenkorpus habe ich die fünf am häufigsten genannten Schiffsflaggen (1), Waren (2) und Häfen (3) gewählt.

Ein sehr interessantes und für die weitere Analyse hilfreiches Tool kann „Word Tree“ sein. Dort kann man bestimmte Begriffe und die davor und danach vorkommenden Kollokationen graphisch abgebildet. Hier können auch Stopwords wie z.B. „Kisten“ spannend werden. Sucht man nach diesem Begriff, so erscheinen auf der linken Seite Zahlen, also die Mengenanzahl der Kisten, und auf der rechten Seite werden die nachfolgenden Wörter, also der Inhalt der Kisten (Wachs, Manna, Gummi, Essenzen) aufgelistet. Über diese Methode kann etwa erschlossen werden, welche Produkte auf welche Art und Weise auf See transportiert wurden.

Mit dem Word Tree von Voyant Tools können häufig auftretende Kollokationen zu bestimmten Begriffen untersucht werden.

Auch mit Overview können Textkorpora durch diverse Methoden des Data Minings untersucht werden. Insbesondere die Funktion „Topic Tree“, die einen Schritt weiter wie der oben beschriebene “Word Tree” geht, kann im Prozess des Topic Modelings äußerst hilfreich sein, um mögliche Fragestellungen, Untersuchungsparameter und Kategorien zu identifizieren. Aufgrund der Tatsache, dass das Quellenkorpus, mit dem ich gearbeitet habe, eine Auflistung von Schiffen, Waren und Kapitänen ist, die eine gleichbleibende Struktur aufweist, konnten hier nicht besonders signifikante Ergebnisse erzielt werden. Dennoch fällt auf, dass die Ergebnisse z.T. nach Waren gegliedert wurden und dass sich Waren, die aus mediterranen Häfen importiert wurden (z.B. Öl, Oliven, Koloquinten etc.), von jenen unterscheiden, die aus amerikanischen Häfen (z.B. Zucker, Tabak, Kaffee) und Nordseehäfen (z.B. Heringe, Fischtran) kamen.

Mit dem “Topic Tree” von Overview können Kategorien zu einem Quellenkorpus herausgearbeitet werden.

Fazit

Wissenschaftler:innen sehen sich angesichts von Big Data neuen Herausforderungen konfrontiert, wie besonders große Datenkorpora sinnvoll geordnet, kategorisiert und analysiert werden können. Deshalb werden Prozesse wie Data Mining und Topic Modeling immer interessanter. Auch für einen Masterstudenten der Geschichte wie mich, der weit davon entfernt ist, ein IT-Experte oder Datenanalyst zu sein, können Programme wie Voyant Tools und Overview wertvolle Forschungsinstrumente sein: Verfügt man über einen großen, fehlerfreien und konsistenten Datenkorpus, kann es durchaus sinnvoll sein, diesen mit Werkzeugen des Data Minings zu untersuchen. Als besonders hilfreich erachte ich diese Programme in einer ersten, spielerischen Annäherung an die Quellen. Mit unterschiedlichen Tools können Perspektiven auf die Quellen entstehen, die bei einer konventionellen Analyse nicht möglich gewesen wären. Eines möchte ich am Ende dennoch mit Nachdruck unterstreichen: Wenn Data Mining nur als Selbstzweck betrieben wird und nicht um eine gehaltvolle qualitative Analyse ergänzt wird, läuft man schnell Gefahr, die Quellenkritik zu vernachlässigen.


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