Digitale Quellenanalyse und Visualisierungsmethoden

Wie in meinem letzten Blogbeitrag angekündigt, dreht sich hier im zweiten Teil nun alles um verschiedene Analyse- und Visualisierungsmethoden, mit denen ich mein Quellenkorpus untersucht habe. Sobald die Vorbereitungen mit Transkribus und das OCR fertig durchgeführt waren, arbeitete ich statt mit den vergilbten Seiten der Südtiroler Verbandsmitteilungen nun mit in einer 700KB schlanken txt-Datei weiter. Welche Arbeitsschritte ich ausführte, welche Ergebnisse mir die Analysen lieferten und welche Schwierigkeiten auftauchten, will ich im Folgenden beschreiben. 

Natural Language Processing (NLP)

Um aus der grossen Menge Fliesstext systematisch Informationen ableiten und quantifizieren zu können, muss man diesen zuerst auch systematisch skelettieren, ihn also von syntaktischem Ballast befreien (z.B. Satzzeichen und Stop-Wörter wie «und», «dann», «aber»), die Worte aus ihren Flexionen lösen und sie nach Wortarten kategorisieren. Dieser Vorgang nennt man NLP, also Natural Language Processing. Manche TextMining-Programme führen diese Vorstufe automatisch durch, sie kann aber auch separat vorbereitet werden. Nopaque und Jupiter Notebook sind zwei Plattformen, die wir in diesem Kurs für die NLP verwendet haben.

Data Pre-Processing mit der Genism Library auf Jupiter Notebook hat den Vorteil, dass man das Programm quasi Schritt für Schritt begleitet und man als Anfänger eine bessere Vorstellung davon bekommt, was während einer NLP genau abläuft. Der Text wird als Excel-Datei eingespeist, tokenisiert (es werden Füllwörter und Satzzeichen entfernt), lemmatisiert (Wörter in ihre Grundform gebracht) und einer Wortart zugeordnet (Part of speech Tagging). Schliesslich können im Text auch Eigennamen (Named Entities) in einer eigenen Kategorie extrahiert werden.

Nopaque führt alle diese Schritte ebenfalls durch, dies geschieht hier aber mit wenigen Klicks automatisch und man kann die gebündelten Ergebnisse schliesslich als json-Datei anschauen und untersuchen. Die Handhabung ist intuitiv und unkompliziert, ein grosser Nachteil liegt allerdings darin, dass sich diese Anwendung noch in der Entwicklung befindet und die Website oft für mehrere Tage nicht zu erreichen ist.

Bei der Tokenisierung und Lemmatisierung sind mir bei beiden Programmen immer wieder kleinere Fehler aufgefallen. So wurde beispielsweise, wie auf der Abbildung unten zu sehen ist, aus den Angestellten schliesslich angestellt, das Nomen also mit einem Verb verwechselt.

Die Mehrdeutigkeit mancher Wörter machte den Programmen ebenfalls Schwierigkeiten. «Dolomiten» Beispielsweise bezeichnet eine Region in Italien, es ist allerdings auch der Name einer Zeitung, die in den Verbandsmitteilungen oft zitiert wird. Diese Unterscheidung konnten beide Programme nicht machen.

Ausserdem führten Fehler in der Transkription dazu, dass auch in den fertig bereinigten Datensätzen schliesslich noch zahlreiche bedeutungslose Wortfragmente oder krude Neuschöpfungen zu finden waren. Diese Fehler schlugen sich in den weiteren Analysen nieder. 

Text Mining

Aus dem Fliesstext ist durch die NLP nun ein Datensatz geworden. In diesem sinnbildlichen Berg aus Rohdaten kann man mit einem Bündel verschiedener Werkzeuge nach nützlichen und aufschlussreichen Schlagwörtern, Mustern, Bedeutungsstrukturen, Themenkreisen etc. schürfen, was sich Text Mining nennt. Welche Nomen oder Verben wurden am häufigsten verwendet? In welchen Kombinationen und Kontexten tauchen diese auf? Gibt es auffällige Häufungen von Themen? Solche und andere Fragen lassen sich durch Text Mining beantworten.

In diesem Kurs haben wir für das Text Mining auf Voyant Tools und Nopaque zurückgegriffen. 

Nopaque hat den Vorteil, dass man seine Daten und Ergebnisse auf seinem Account speichern kann und auch sehr grosse Datensätze bearbeitet werden können. Die Ergebnisse werden im Unterschied zu Voyant Tools allerdings nicht graphisch aufbereitet.

Voyant Tools bietet einen gute Einstiegsfunktion, die mit wenigen Klicks sehr anschauliche und vielfältige Grafiken erstellt. Aber bei großen Textmengen kam dieses Programm meiner Erfahrung nach schnell an seine Grenzen und strürzte oft ab. Man kann die Ergebnisse über eine URL-wieder abrufen, auf diesen Link konnte ich nach einiger Zeit aber nicht mehr zugreifen. Auch war es nötig, das Stopwörterlexikon händisch zu erweitern, um zu sinnvolleren Ergebnissen zu gelangen. Die unteren zwei Abbildungen zeigen die automatisch generierte und die nachbearbeitete Version.

Hier sind die am häufigsten verwendeten Worte aufgeführt. Einzelne Buchstaben und Silben oder Zahlen verwässern die Aussagekraft dieser Wortwolke.
Durch Erweiterung des Stopwörterlexikons konnte ich den Cirrus bereinigen.

Die digitale Analyse deckte sich mit meinem Leseeindurck, die Ergebnisse bargen für mich allerdings auch keine grösseren Überraschungen und fügten meinen Beobachtungen keine neuen Informationen hinzu.

Topic Modeling

Das Topic Modeling ist eines von vielen verschiedenen Text-mining-tools, dass es uns ermöglicht, aus unüberblickbaren Textmengen übergeordnete Themen (Topics) und Inhalte zu extrahieren. Wir haben das mit der Genism Library auf Jupiter Notebook und mit Voyant Tools durchgeführt.

Die Ergebnisse, die sich für meine Ausgaben der Verbandsmitteilung ergaben, lagen zwar nicht völlig daneben, sie blieben allerdings recht vage und erschienen mir wenig ausflussreich. Dies lag sicher daran, dass die Datenmenge zu klein war, um einzelne Topics schärfer zu umreißen. Auch müsste man diese models trainieren, um sie zu verbessern, was meine IT-Fähigkeiten sprengte.

Das Topic Modeling mit Voyant Tools

Historische Netzwerkanalyse

Fast am Ende des Kurses angelangt, widmeten wir uns noch der historischen Netzwerkanalyse. Hier wird versucht, Beziehungen und Zusammenhänge zwischen Akteuren, Orten, Institutionen etc. sichtbar zu machen. Sie ist eine eine Art Schnittstelle oder Hybridmethode zwischen dem vollautomatisierten Text Mining und der herkömmlichen hermeneutischen Quellenarbeit. Hier muss man nämlich von Hand aus dem Fliesstext Informationen herausziehen, die einem zur Beantwortung seiner Forschungsfrage dienlich scheinen und daraus einen Datensatz generieren. Diesen kann man dann in ein entsprechendes Programm (z.B. Palladio oder Nodegoat) einspeisen, welches die Daten ordnet und die Verknüpfungen sichtbar macht. Diese Analysemethode ist äusserst zeitaufwendig und birgt durch die Handarbeit auch einen hohen Grad an Subjektivität, die Ergebnisse daraus erschienen mir aber deutlich greifbarer und spezifischer als bei den anderen Anwendungen, weil man schon mit konkreteren Fragen an das Programm herantreten musste.

Ich untersuchte einerseits die Rubrik “Kleine Anzeigen” der Jahre 1947/48 und die Themenschwerpunkte aller Leitartikel von 1948. Die Analyse der Anzeigen lässt für mich deutliche Rückschlüsse auf den sozialen und ökonomischen Hintergrund der Zeitungsabonent*innen zu. Es dominierten Stellenanzeigen in handwerklichen Berufen und der Umstand, dass sehr oft Tauschangebote, aber wenige Verkaufsanzeigen für Immobilien aufgegeben wurde, lässt den Schluss zu, dass viele Leser*innen über wenig Bargeldvermögen verfügten. Die Ergebnisse der Leitartikelanalyse bestärkte meinen Leseeindruck, dass (identitäts-)politische und juristische Themen hier die grossen Schwerpunkte bildeten.

Hier ist meine Analyse der Rubrik “Kleine Anzeigen” und ihren drei häufigsten Themenkreisen zu sehen.
Themenschwerpunkte der Leitartikel

Georeferenzierung

Um seine Analyse um eine Ebene zu erweitern, kann man seine Analysedaten, z.B. bei einer Netzwerkanalyse, durch geographische Verortungen unterstützen. Dies habe ich mit Palladio, aber auch mit 3D-Maps, einer Excel Funktion, ausprobiert. Beide Karten deckten sich recht genau, die Anwendung mit Palladio fiel mir allerdings leichter.

Die Georeferenzierung mit Palladio
Georeferenzierung mit Excel

Fazit

Die Einarbeitung in die verschiedenen Programme war eine zeitintensive und herausfordernde Arbeit. Hatte ich zu Beginn des Kurses noch die naive Überzeugung, nach der mühsamen Digitalisierung meiner Zeitungsausgaben sei die größte Arbeit getan und jetzt könne man einfach die Ergebnisse ernten, wurde ich schnell desillusioniert. Nur mit fundiertem Wissen über die Anwendungsmöglichkeiten und -grenzen der einzelnen Tools und einer kritischen Auseinandersetzung mit ihrer Funktionsweise, kann man zu seriösen Ergebnissen gelangen. Außerdem ist es längst nicht für alle Forschungsfragen und Quellenkorpora sinnvoll und lohnend, zu digitalen Methoden zu greifen. Trägt man diesen Faktoren allerdings Rechnung, eröffnen diese computergestützten Analyse- und Visualisierungsverfahren großartige Möglichkeiten: Sie können die eigenen Forschungsthesen stützen und eindrücklich sichtbar machen, und ermöglichen es, vielleicht auch zu ganz neuen Ansätzen zu gelangen und Datenmengen nutzbar zu machen, die man durch klassische Quellekritik nicht oder nur schlecht erfassen kann.


Das könnte dich auch interessieren …

2 Antworten

  1. Mareike König sagt:

    Liebe Frau Müller, vielen Dank für den interessanten Beitrag und Erfahrungsbericht in der Anwendung digitaler Tools zur Textanalyse. Ich finde den Beitrag sehr gelungen und hoffe, dass er viele Leser:innen findet. Denn die Ansicht, dass digitale Methoden mal schnell und per Knopfdruck funktionieren und sofort Ergebnisse liefern, ist ja genauso falsch wie weit verbreitet. Häufig heißt es auch, dass das Preprocessing noch aufwändiger ist als die anschließende Analyse. Auch da zeigen Sie die Tücken. Bemerkenswert finde ich, dass Sie auch mit Jupyter Notebooks gearbeitet haben. Das ist ja bei weitem nicht ganz selbsterklärend und mich würde interessieren, wie Sie sich das beigebracht haben (oder war das Teil des Unterrichts)?

    • Julia Müller sagt:

      Liebe Frau König,
      ich freue mich sehr über Ihr Interesse und Ihren netten Kommentar! Der Kurs wurde von Frau Prof. Pfanzelter und Frau Dr. Oberbichler geleitet und die beiden haben uns den ganzen Arbeitsablauf gezeigt. Frau Dr. Oberbichler hat auch das Notebook vorbereitet und wir mussten dann lediglich die Textdatei hochladen, den Code durchlaufen lassen und Fehler ausbessern. Alle Kursteilnehmer waren blutige DH-Anfänger und das hätte unsere Fähigkeiten überstiegen:)

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