Eindeutig Uneindeutig. Zur Modellierung von Unschärfe in der Mediävistik

Netzwerk Offenes Mittelalter: Nachlese des ersten Netzwerktreffens zum Thema „TEXT“

Mediävistische Forschungsgegenstände wie Handschriften, Bilder oder Realien sind Teil des kulturellen Erbes. Es gehört zu den zentralen Aufgaben von Mediävist*innen, dieses zu bewahren, zu erschließen, öffentlich zugänglich zu machen und zu erforschen. Unter Einsatz moderner Technologien in Methoden, Prozessen, Tools und Services entstehen wertvolle Forschungsressourcen. Die auf diese Weise erzeugten Forschungsdaten sollen gemäß den FAIR-Prinzipien idealerweise auffindbar („findable“), zugänglich („accessible“), interoperabel („interoperable“) und nachnutzbar („re-usable“) sein.1

Vor diesem Hintergrund und mit Blick auf ein neues, offenes Methoden- und Dateninventar werden in dem im Mai 2021 gestarteten und von der DFG geförderten „Netzwerk Offenes Mittelalter“ Linked Open Data (LOD)-Verfahren für die germanistische Mediävistik diskutiert, erprobt und implementiert. Die Netzwerkleitung liegt bei Dr. Luise Borek (TU Darmstadt) und Dr. Katharina Zeppezauer-Wachauer (MHDBDB|Universität Salzburg, Co-Koordinatorin).2

Über die Dauer der Projektlaufzeit (05/2021–05/2024) sind fünf Arbeitstreffen zu verschiedenen Datentypen, zur Schnittstellenfunktion der Mediävistik und zur Methodenkritik geplant, zu denen einschlägige internationale Gäste geladen werden. Mit diesem Beitrag möchten wir Einblicke in unser erstes Arbeitstreffen geben. Wir nutzen diese Gelegenheit, um unsere Gedanken zu diesem Treffen zu sortieren und ganz im Sinne unseres Verständnisses eines ‚offenen‘ Mittelalters mit Interessierten zu teilen.   

Das erste offizielle Netzwerktreffen mit dem Arbeitstitel „#1 – TEXT“ fand am 4. und 6. Oktober 2021 aufgrund der anhaltenden COVID-Pandemie virtuell statt, wobei die Konzeption wegen des virtuellen Formats stark auf eine Fachdiskussion mit einleitendem Gesprächs-Input ausgerichtet war. Als Gäste konnten wir mit Univ.-Prof. Dr. Tara Andrews (Universität Wien) und Prof. Dr. Andreas Kuczera (Technische Hochschule Mittelhessen) ausgewiesene Expert*innen gewinnen, die aus ihren jeweiligen Forschungsinteressen und -projekten heraus wertvolle Impulse für das erste Arbeitstreffen geben konnten. Die gemeinsame Diskussion hat zudem viele Bereiche identifiziert, die im Verlauf der Projektlaufzeit eine Rolle spielen werden.

Den Auftakt machte Tara Andrews. In ihrem Vortrag aus dem Kontext ihres ERC-Projekts RELEVEN (Re-evaluating the Eleventh Century through Linked Events and Entities)3 beschäftigte sie sich mit dem breiten Diskurs von Wahrheitsanspruch, Autorität, Empirie und Objektivität. Ihre zentrale Fragestellung fasst sie wie folgt zusammen:

“How can historians rely on Linked Open Data collections when we have no idea where the data came from or who is claiming that it’s true? How can we record contested and disputed information, knowing that it’s unlikely we will ever establish a truth?  This video presents the data modelling at the core of RELEVEN, an ERC project running until 2026 that focuses on the history of the eleventh-century Christian world.” Das gesamte Video ist auf der Webseite des Netzwerks #offenes MA nachzusehen: https://ucloud.univie.ac.at/index.php/s/yeterlVdFnrEvpU

Das Spannungsfeld zwischen Gewissheit und Unsicherheit, Fakten und Faktoiden sowie unterschiedlichen wissenschaftlichen Ansprüchen („what actually happened“ approach vs. „collection of all evidence“ approach) führte zu einer regen Diskussion der Netzwerkmitglieder, in deren Zentrum die Debatte stand, ob eine faktenbasiert-wissenschaftliche und eine datenorganisatorische Auffassung einander in der praktischen Ausführung widersprechen. Daraus ergeben sich auch Herausforderungen an die Datenmodellierung, etwa die Frage, wie sich Meinungsverschiedenheiten bzw. unterschiedliche Sichten und Wissensstände zu verschiedenen Zeiten darstellen lassen. Andrews stellte dazu ein erweitertes LOD-Modell vor, das die gängige Subjekt-Prädikat-Objekt-Kette an bestimmte Behauptungen zurückbindet. Die Behauptungen, ‚Assertions‘, sind wiederum von einer Autorität oder Quelle abhängig (vgl. Abb. 1). Auf diese Weise werden Informationen immer an spezifische Quellen geknüpft, so dass auch widersprüchliche Behauptungen modelliert werden können.  

Abb. 1: Erweitertes LOD-Modell nach Andrews: STAR (Structured Assertion Record)

Andreas Kuczera zeigte spielerisch verschiedene Aspekte zu Datenmodellierung und Datenabfrage aus dem Herr-der-Ringe-Universum (LOTR) via SPARQL, einer Abfragesprache für RDF- und Graphdaten, sowie der Graphdatenbank Neo4j. Dabei nutzte er den Wikidata Query Service (https://query.wikidata.org/)4 und die Neo4j Sandbox (https://neo4j.com/sandbox/) als Open-Source-Tools. Die LOTR-Entitäten und -Eigenschaften der Wikidata-Abfrage wurden in Neo4j als Knoten und Kanten integriert und visualisiert. Kuczeras exemplarische Abfragen zu Todesursachen, Familienkonstellationen (etwa Stief- oder Halbgeschwister), Feindschaft in der direkten (oder erweiterten) Familie und zu Vorfahren der Elben deuten das Potenzial an, das diese Queries auch für die Anwendung auf historische Bestände entfalten könnten – wären diese ebenso flächendeckend erfasst wie die in sich geschlossene LOTR-Welt.

Sämtliche Slides von Kuczeras Vortrag sind hier zu finden: https://offenesmittelalter.org/wp-content/uploads/2022/01/LOTR-Codi.pdf Alle Abfragen zum Vortrag: https://git.thm.de/aksz15/images/-/blob/master/LOTR/LOTR.cyp

Neben dem anregenden Workshop-Charakter zeigten sich rasch gewisse Herausforderungen solcher Abfragen, wie beispielsweise das Problem des Datasets: Manche Daten – beispielsweise die Todesursachen der LOTR-Charaktere, die bei Tolkien durchaus häufig angegeben sind – sind kaum erfasst. Bestimmte Angaben können nicht ohne Weiteres pauschal erfolgen, sondern verändern sich etwa über die erzählte Zeit hinweg. Als Beispiel hierfür diente ‚Feindschaft‘, also eine relationale Eigenschaft, die sich über einen Textverlauf (mehrfach) ändern kann. Gerade die Veränderung von Mustern wäre freilich aus mediävistischer Sicht interessant. Neben der tendenziellen Mutabilität konnte am Beispiel von ‚Feindschaft‘ auch die Direktionalität von Relationen diskutiert werden, also der Umstand, ob sie einseitig oder bidirektional gerichtet sind (Kante: https://www.wikidata.org/wiki/Property:P7047). Abfragen sind daher immer nur so vollständig, wie der Datenpool, aus dem man schöpft.

Auf die ausführliche Panel-Diskussion folgte ein RDF-Workshop unter der Leitung der beiden Netzwerk-Mitglieder Christopher Pollin (Universität Graz) und Max Grüntgens (Akademie der Wissenschaften und der Literatur Mainz) zu den verschiedenen Möglichkeiten, RDF zu generieren. Das Resource Description Framework (RDF) ist ein Datenmodell zur Darstellung und für den Austausch von Daten im Web.5 Forschungsdaten in der Mediävistik sind vielfältig und ihre Überführung in LOD-Ressourcen unter Umständen anspruchsvoll. Ziel des Workshops war es, unterschiedliche Szenarien der Generierung von RDF-Daten vorzustellen, zu diskutieren und für die Nachnutzung aufzubereiten.

Pollin hat die Tutorials im Nachgang zum #1-TEXT-Meeting öffentlich auf GitHub zur Verfügung gestellt: https://github.com/chpollin/Teaching/tree/master/InfoMod/InfoMod_4_TORDF

Unschärfe als Kernthema

Sowohl in der Panel-Diskussion als auch im Workshop hat sich ein Thema besonders herauskristallisiert, dem aus diesem Grund dieser Blogbeitrag gewidmet ist: Unschärfe bzw. die Modellierung unscharfer (fuzzy) Information. „Die angemessene Modellierung von Ungenauigkeiten und Unschärfen stellt zurzeit noch ein nicht immer glücklich gelöstes Problem dar, das besonders für die Geisteswissenschaften sehr relevant ist,“ schreibt Fotis Jannidis schon 2017 in seinem Aufsatz „Grundlagen der Datenmodellierung“.6 Ohne Anspruch darauf zu erheben, diese Kontroverse hier und heute zu bewältigen oder zumindest annähernd ausreichend beleuchten zu können,7 sei festgehalten, dass unscharfe Informationen besonders im Hinblick auf Entitäten und Ontologien auch Anfang 2022 noch gewisse Herausforderungen mit sich bringen. Insgesamt handelt es sich bei dieser Problematik um ein sehr vielschichtiges Phänomen, in dessen Folge auch Modellierungsentscheidungen unterschiedlichste Dynamiken begünstigen.

In Tara Andrews‘ ERC-Projekt RELEVEN wird dem Thema ‚Unschärfe‘ mit einem präzisen Umgang mit überlieferten historischen Sichtweisen auf bestimmte historische Ereignisse begegnet. Im Gegensatz zu einer generischen, mit eindeutigen Fakten operierenden Modellierung ist es dabei essenziell, unterschiedliche Perspektiven umsetzen zu können und Informationen an ihre Quellen zu koppeln – und auf diese Weise den ‚Unschärfen‘ gerecht zu werden. Die bei der Modellierung auftretenden Konflikte bringen in der Regel besonders interessante Phänomene ans Licht. Im Umgang mit ihnen geht es nicht nur um die bloße Modellierbarkeit, sondern es müssen vielmehr Lösungen gefunden und implementiert werden, die dem jeweiligen spezifischen Forschungsinteresse gerecht werden, aber auch den FAIR-Kriterien entsprechen. 

Ein anderer Themenbereich, der divergierende ontologische Zuordnungen anschaulich illustriert, ist der der literarischen Tiere des Mittelalters. Hier gibt es nicht nur ein Spannungsverhältnis zwischen Naturwissenschaft und Metaphorik, sondern auch eine kontextabhängige Interpretation der jeweiligen Tiere. Während vor diesem Hintergrund eine biologische Semantik nicht zielführend ist – mittelalterliche Kategorisierungen variieren hier stark und berücksichtigen auch mythische Tiere – können Motiv- und Gattungskontexte zur Interpretation einzelner Passagen beitragen. Die Grundlage für eine umfassende Recherchierbarkeit ist hier bislang jedoch noch nicht gegeben.8

Ähnlich verhält es sich mit dem Erschließen fiktiver Entitäten. Hier können Unschärfen aus der Diskrepanz zwischen realer Person und literarischer Ausgestaltung resultieren,9 oder – bei rein fiktiven Entitäten – durch das Vorkommen bestimmter Figuren in verschiedenen Erzählungen und Adaptionen entstehen. Als Beispiel kann hier etwa der stereotype Artusritter Gawan dienen, von dessen ‚textlicher‘ Verbreitung bereits die Namensvielfalt zeugt (Gawain, Gauvain, Walwein, Walwan usw.). Der Aspekt der Unschärfe, der hier eine Rolle spielt, betrifft die Identität der Entitäten: In welchem Verhältnis stehen die verschiedenen Figurenvorkommen zueinander und referieren sie auf die gleiche Entität? Welcher Figuren-‚Instanz‘ lässt sich etwa eine Nennung oder gar eine Illustration zuordnen? Während bei Gawan die Namenvarianten als eine Art Platzhalter für die verschiedenen Vorkommen der Figur in unterschiedlichen Textzeugen dienen können, verschwimmen bei anderen Figuren – etwa Artus – die Grenzen dessen, was als ‚same as‘ angesehen werden kann in noch stärkerem Maße.10 Gleichzeitig ist das Realisieren der Assoziationen der entsprechenden Entitäten essenziell, um sich diesen Fragen überhaupt systematisch widmen zu können (wiederum FAIR).

Eine unter Umständen noch größere Herausforderung ist die Erschließung von Daten, die gar nicht aufgelöst bzw. disambiguiert werden sollen, da ihre Unschärfe die poetologische Absicht des Textes ist. So sind etwa die graduellen Abstufungen einer übertragenen Bedeutung aufgrund eines diachronen Wortschatzgebrauches oder eines metaphorischen Kippeffekts mitunter intendiert und benötigen ein hochkomplexes ontologisches Modell. Mittelalterliche Dichter, die sich häufig absichtlicher Ambiguitäten bedienen, sind beispielsweise Oswald von Wolkenstein oder Neidhart, in deren Liedern Wörter auf eine gewisse Weise konnotiert werden können, aber nicht müssen. Ein berüchtigtes Beispiel in der germanistischen Mediävistik liefert beispielsweise auch Walther von der Vogelweide mit seinem roten küssen. Dieses Spiel mit der Sprache macht freilich den Reiz der poetischen Doppeldeutigkeit aus, fordert die Möglichkeiten von Annotation und Modellierung aber zusätzlich heraus. Es gehört dabei zu den Stärken von Linked Open Data, multimodale Entitäten, multisprachliche Benennungen oder aufeinander verweisende Bedeutungen miteinander zu verknüpfen und mit weiteren im Web verfügbaren Informationen anzureichern.

Die hier skizzierten Unschärfen resultieren somit häufig aus ambigen Daten oder aus Diskrepanzen zwischen Quellen – seien es verschiedene Zeugnisse für ein- und dasselbe Ereignis, verschiedene Kontexte etwa von Tiernennungen oder verschiedene Vorkommen von ‚ein- und derselben‘ Figur. Damit ist die Problematik der Unschärfe an einen anderen Themenkomplex gebunden: an die Frage nach der ‚Autorität‘ von Daten und/oder Quellen. Diese soll nachfolgend umrissen werden.

Ambige Autorität

Im Folgenden seien einige Gedanken aus der Netzwerk-Diskussion zum Thema ‚Autorität‘ zu (virtuellem) Papier gebracht, die für die Wissens- und Wissenschaftsgeschichte dokumentiert werden sollen, allerdings noch ohne einen expliziten Lösungsansatz zu bieten. Ganz im Gegenteil sei im Sinne eines ‚offenen‘ Netzwerkes dazu eingeladen, sich am Dialog zu beteiligen, ihn anzureichern, um weitere Perspektiven zu erweitern und die verschiedenen sich daraus ergebenden Betrachtungsweisen zu beleuchten.

Der gemeinhin geläufige Autoritätsbegriff wird im geisteswissenschaftlichen Fachdiskurs semantisch ambig verwendet, was zu einer gesteigerten Komplexität und einer nicht zu unterschätzenden Verstehensproblematik führt. Zum einen existiert eine Autorität der Urheber, der Quellen. Tara Andrews stellte in ihrem Vortrag die wichtige Frage: Gibt es einen Unterschied zwischen Source und Authority?, wobei das Problem vor allem auf der Mehrdeutigkeit von ‚Authority‘ basiert. Ließe sich also Sekundärliteratur als Autorität und Primärliteratur als Source/Quelle fassen, um zielführender zu disambiguieren? Unter Sources/Quellen können darüber hinaus aber auch einzelne Datensätze ebenso wie systematisch erstellte Datensammlungen verstanden werden. Im Forschungsprozess werden außerdem Metadaten erzeugt, die als ‚Daten über Daten‘ deskriptive, strukturelle, administrative oder technische Informationen zu einem Datensatz enthalten. Wie sind in diesem Kontext die Urheber und Autoritäten der (Forschungs-)Daten über historische Quelldaten zu bewerten, oder gar die Autoritäten der (Meta-)Daten der (Forschungs-)Daten über historische Daten? Welche Implikationen sind zu erwarten, wenn eine Quelle (nach modernem Wissen) ‚falsche‘ Informationen oder Faktoide aufweist? Und in welchem Zusammenhang steht die Kontextualisierung dieser Quelle? Enthebt die Autorität des Urhebers oder der Quelle von gewissen wissenschaftlichen Verpflichtungen wie etwa der Prüfung des Inhalts? Und ist Autorität ferner immer auch an andere Einschränkungen und Kontextualisierungen gebunden – etwa den sozialen Status (relativ betrachtet zu einer spezifischen Gruppe wie etwa Hierarchie, Bildungsgrad, Schaffensbereich, alters- oder geschlechterorientierte Präferenzen) des Urhebers?

Zum anderen existiert eine Autorität des Fachdiskurses, was wiederum zur Gretchenfrage zurückführt: Sind nun die Zeitzeugen/Quellen oder aber die zeitgenössischen Expert*innen die Autoritäten zu ihren Themen? Diese Debatte verschärft sich bei der praktischen Datenmodellierung noch, die in den allermeisten Fällen von Zahlen, Daten und Fakten ausgehen muss, jedoch immer nur bis zu einem gewissen Grad eine Diskursivierung dieser Fakten im Rahmen von Wissensumgebungen vornehmen kann. Als Wissensumgebung („Environment of knowledge“) versteht man standardisierte Methoden und Praktiken, die den (kollaborativen) Wissensaufbau, die Interpretation oder die Modellierung und Bezeugung von Relationen in Abhängigkeit von den erkenntnistheoretischen Prämissen und Zielen eines Wissensgebietes befördern. Im wissenschaftlichen Fachdiskurs sind dafür komplexe Architektur- und Modellierungskonzepte vonnöten, deren Anforderungen durch die Tendenz zur offenen Autor- und Expert*innenschaft, zu ergebnisoffenen Ontologien, zu Crowd Sourcing/Annotation/Modelling und Collaborative Tagging (folksonomy), bei denen Wissensumgebungen im Wesentlichen von vielen Mitwirkenden geschaffen werden, mitunter noch erhöht werden.

Erkenntnisse und Wissen sind jedoch immer durch ihre Historizität bedingt (‚Wissensstand‘), durch die historischen Quellen zur Bezeugungsgeschichte, aber auch durch Zugehörigkeit zu Kulturräumen oder Traditionen bzw. Bildungsbias (‚Schulen‘). Das gilt für Quellen ebenso wie für Sekundärtexte (und damit auch für modellierte Daten). Aussagen sollten daher an Autoritäten bzw. ihre kulturellen Kontexte rückgebunden bleiben. Eine Darstellung als zeitlose Wahrheit wäre eine Verfälschung. Aussagen sind aber dadurch auch in Autoritätenketten eingebettet. Bildhaft gesprochen: Wir stehen als Wissenschaftler*innen auf den Schultern von Riesen, auf die wir uns verlassen müssen – die wir aber auch hinterfragen müssen.

Darüber hinaus lässt sich der Autoritätsbegriff selbst ebenfalls wissenschaftstheoretisch hinterfragen, insbesondere seine Anwendung im Digital Humanities-Bereich. Bei ‚Autorität‘ schwingen immer auch Wertung und Interpretation mit, weshalb sich in der Datenmodellierung möglicherweise die Bezeichnung ‚Agent‘ als geeigneter erweisen könnte, da auf diese Weise sowohl den Aussagen von Primärquellen als auch von Teilnehmer*innen im Forschungsdiskurs neutraler gegenübergestanden werden kann.

Eine nicht zu vernachlässigende Rolle spielt in diesem Kontext zudem die Erschließungsverantwortung, die wir als Wissenschaftler*innen, aber auch Bibliotheken, Archive und Fördereinrichtungen innehaben. Während für die neuere Literatur komplexe Auswahlverfahren für die Archivierung erarbeitet werden (müssen), ist die Zahl der mittelalterlichen Codices und Fragmente endlich. Zwar wird gelegentlich weiteres Material entdeckt, aber es wird kein neues Material geschaffen. Da es sich bei den überlieferten Funden um wertvolle Teile eines großen Puzzles handelt, müssen sie einerseits bewahrt werden, unterliegen aber andererseits nicht den gleichen Selektionspraktiken wie neuere Bestände, etwa im Hinblick auf ihre Repräsentativität. Diese natürliche Voreingenommenheit wird durch die Digitalisierung noch verstärkt: Einige wenige Textzeugen, die in der Regel zum Kanon gezählt werden können, werden vorrangig erschlossen, was zu einer höheren Aufmerksamkeit und Sichtbarkeit in der Forschungscommunity führt. Wir haben es also mit einer doppelten Verzerrung im Zusammenspiel von Tradition und Digitalisierung zu tun, in der das Phänomen der Visibilität mit einem hohen Grad an Reflexivität behandelt werden muss. Nicht nur die Überlieferung ist folglich per se unscharf, sondern auch das Bild, das durch verschiedene Grade der Erschließung gezeichnet wird. Vor diesem Hintergrund birgt die Digitalisierung sogar die Gefahr, Verborgenes völlig zu marginalisieren, indem sich Ressourcen und Aufmerksamkeit auf bestimmte, populäre oder kanonisierte Texte und Aspekte konzentrieren. Gleichzeitig bieten die digitalen Methoden das Potenzial, das Verborgene sichtbar zu machen, sodass Chancen zur Loslösung von Kanondenken entstehen. Gerade durch Digitalisierungsprozesse können (auch weniger populäre) Texte und Themen publik gemacht und den Forschenden zur Verfügung gestellt werden. 

Ausblick

Die Erfassung und Modellierung von Unschärfe sind große Herausforderungen in den Digital Humanities. Dies gilt umso mehr für den Umgang mit historischem Material, das bereits durch seine Überlieferung und zu erschließende, nicht immer eindeutige Kontexte verschiedene Dimensionen von Unschärfen enthält. Digitale Ansätze zeichnen sich durch explizite Strukturiertheit aus, die die geisteswissenschaftliche Vagheit aus prä-digitaler Zeit nicht immer problemlos abzubilden vermag, auch wenn manche Techniken wie beispielsweise Graphtechnologien äußerst flexible Ansätze bieten. Herausfordernd ist in diesem Zusammenhang jedoch nicht nur das Modellieren unscharfer Information und Unsicherheiten, sondern auch, solche komplexen, meist auf heterogenen Modellen beruhende Forschungsdaten aller Multidimensionalität zum Trotz immer noch auffindbar, zugänglich, interoperabel und wiederverwendbar – also FAIR und nachhaltig – zu halten.

Das Netzwerk #offenesMA bietet eine Plattform, um derartige Herausforderungen zu diskutieren, Quellen unterschiedlicher Provenienz und von verschiedenen Autoritäten mit innovativen Verfahren zu erschließen, diese Verfahren zu evaluieren und die Ressourcen anhand von Pilotstudien zu erforschen. Das erste Netzwerktreffen konnte bereits Lösungsimpulse für den Umgang mit unscharfen Daten geben, etwa die Modellierung von Informationen als ‚Behauptungen‘ und die Rückbindung dieser Behauptungen an ihre jeweiligen Quellen. Mehrere Strategien können dazu beitragen, unscharfen Information im Rahmen digitaler Verarbeitungstechniken professionell zu begegnen: Beispielsweise dienen Normdaten als Voraussetzung für eine eindeutige Erfassung von Daten, indem sie Ambiguitäten auflösen. Des Weiteren sind standardisierte und strukturierte Daten die Grundvoraussetzung dafür, sich der Komplexität von fuzzy data und Unschärfe zu widmen. Erweiterte LOD-Verfahren scheinen in besonderer Weise geeignet, Unschärfe auf verschiedenen Ebenen abzubilden und graphentechnologisch zu modellieren. Sie ermöglichen eine nachhaltige Erfassung der Daten und können dazu beitragen, das Phänomen ‚Unschärfe‘ systematisch zu erschließen. 

Für eine breitere Kontextualisierung der Daten und ein besseres Verständnis des Forschungsgegenstandes schlagen wir eine grobe ‚Systematik von Unschärfe‘ als Impuls für weitere Überlegungen im Umgang mit LOD vor. Unschärfe kann aus verschiedenen Ursachen resultieren, beispielsweise:

• Daten (Daten selbst sind fehlerhaft/Faktoide)
• Ambiguität als Einzelphänomen (etwa Metaphern), aber auch als Eigenschaft eines ganzen Textes (etwa bei Phänomenen wie unzuverlässigem Erzählen)
• Quellen (mehrere Quellen geben verschiedene Informationen)
• Autoritäten (inkongruente Behauptungen, Fachaussagen mit hohem Friktionsgehalt)
• Divergenz von historischer Realität und Fiktion (etwa bei historischen Figuren, literarischen Tieren etc.)
• Bias (etwa kanonisierende Selektionspraktiken, Wissensschulen und subjektive Erschließungsvorlieben, nicht repräsentative oder nicht verfügbare Daten)
• Digitalisierung (Dynamiken, die durch Entscheidungen zur Digitalisierung, etwa die Durchführbarkeit, kanonisches Interesse usw., entstehen)

Dem erstgenannten Aspekt, den Daten, wird sich das Netzwerk #offenesMA zeitnah im Rahmen des zweiten Netzwerktreffens widmen. Daten bilden die Grundlage für jegliche Arbeiten in den digitalen Geisteswissenschaften; sie können entsprechend Ursache für Ungenauigkeiten und Unschärfen sein, die über die Daten auch in Analysen und Interpretationen einfließen. Neben Normdaten setzt das bevorstehende Netzwerktreffen einen Schwerpunkt auf Wiki-Strukturen, da sie nicht nur die Gelegenheit bieten, domänenspezifische und anderweitig nicht ausreichend aufbereitete Daten für individuelle Forschungsfragen bereitzustellen, sondern auch eine Möglichkeit der Kollaboration und Teilhabe bedeuten. Darüber hinaus werden Aspekte des Forschungsdatenmanagements für eine nachhaltige Datenkuration diskutiert und Lösungen für die Vernetzung von Fachrepositorien und Forschungsdatenbanken entwickelt. 

Das Netzwerk ermöglicht es, „Offenes Mittelalter“ sowohl in Bezug auf die Daten bzw. die Modellierung der Daten als auch auf Kollaboration zu beziehen. Dabei ist der Austausch mit der Community zu den hier erwähnten Herausforderungen von essenzieller Bedeutung. Dazu gehört auch der Schulterschluss zwischen Normdatengeber*innen und Fachwissenschaftler*innen, um gemeinsam eine tragfähige Forschungsdateninfrastruktur zu schaffen. Denn bei aller Unsicherheit ist zumindest eines sicher: Der gemeinsame Diskurs trägt dazu bei, dass dies nachhaltig gelingen kann.

---

Link- und Ressourcensammlung

• Slides zum Vortrag von Andreas Kuczera: https://offenesmittelalter.org/wp-content/uploads/2022/01/LOTR-Codi.pdf 
• Alle Abfragen zum Vortrag von Andreas Kuczera: https://git.thm.de/aksz15/images/-/blob/master/LOTR/LOTR.cyp
• Video des Vortrags von Tara Andrews: https://ucloud.univie.ac.at/index.php/s/yeterlVdFnrEvpU
• RDF-Tutorial von Christopher Pollin: https://github.com/chpollin/Teaching/tree/master/InfoMod/InfoMod_4_TORDF 
• Slides zum Vortrag von Luise Borek/Katharina Zeppezauer-Wachauer in der Konferenzreihe „The Past, Present and Future of Medieval Digital Studies“ mit dem hier ebenfalls diskutierten ‚Gawan’-Beispiel: Linked Open Data in Medieval Studies – https://doi.org/10.5281/zenodo.5111601
• Neo4j zum Selbstausprobieren: http://jlu-buster.mni.thm.de:9550/browser/
• Neo4j Sandbox: https://neo4j.com/sandbox/
• Wikidata Query Service (SPARQL-Abfragen): https://query.wikidata.org/
• Wikidata Query Builder: https://query.wikidata.org/querybuilder/

Weiterführende Literatur

• Matthias Bauer, Frauke Berndt, Sebastian Meixner (Hrsg.): Ambivalenz in Sprache, Literatur und Kunst. Ambivalence in Language, Literature and Art. Würzburg, 2019.
• Frank Binder, Bastian Entrup, Ines Schiller, Henning Lobin: Uncertain about Uncertainty: Different ways of processing fuzziness in digital humanities data, in: Digital Humanities 2014. Conference Abstracts, EPFL – UNIL, Lausanne, Switzerland, 8–12 Juli, 2014. Lausanne: EPFL/UNIL, 2014, S. 95–98.
• Jennifer Edmond: Strategies and Recommendations for the Management of Uncertainty in Research Tools and Environments for Digital History, in: Informatics, 6(3), 36, 2019. DOI: https://doi.org/10.3390/informatics6030036
• Evelyn Gius, Janina Jacke: The Hermeneutic Profit of Annotation. On preventing and fostering disagreement in literary text analysis, in: International Journal of Humanities and Arts Computing 11.2, 2017, S. 233–254.
• Janina Jacke: Systematik unzuverlässigen Erzählens. Analytische Aufarbeitung und Explikation einer problematischen Kategorie (Narratologia 66). Berlin/Boston, 2020.
• Fotis Jannidis: Grundlagen der Datenmodellierung, in: Fotis Jannidis, Hubertus Kohle, Malte Rehbein (Hrsg.): Digital Humanities. Eine Einführung. Metzler, 2017. DOI: https://doi.org/10.1007/978-3-476-05446-3, S.99-108.
• Florian Kräutli, Stephen Boyd Davis: Known Unknowns: Representing Uncertainty in Historical Time. Electronic Visualisation and the Arts (EVA 2013), 29–31 Juli, 2013. DOI: 10.14236/ewic/EVA2013.16
• Andreas Kuczera, Thorsten Wübbena, Thomas Kollatz (Hrsg.): Die Modellierung des Zweifels – Schlüsselideen und -konzepte zur graphbasierten Modellierung von Unsicherheiten. Wolfenbüttel, 2019. (= Zeitschrift für digitale Geisteswissenschaften / Sonderbände, 4) text/html Format. DOI: 10.17175/sb004.
• Dies.: Die Modellierung des Zweifels – Schlüsselideen und -konzepte zur graphbasierten Modellierung von Unsicherheiten. Zur Einführung in diesen Band, in: Ebda. DOI: 10.17175/sb004_013.
• Julianne Nyhan, Andrew Flynn: Computation and the Humanities. Towards an Oral History of Digital Humanities. Springer International Publishing, 2016. DOI: 10.1007/978-3-319-20170-2
• Michael Piotrowski: Accepting and Modeling Uncertainty, in: Ebda. DOI: 10.17175/sb004_006a.
• Nicolas Potysch, Angelika Zirker (Hrsg.): Ambige Helden. helden. heroes. héros. E-Journal zu Kulturen des Heroischen: Special Issue 6, 2019. DOI: 10.6094/helden.heroes.heros./2019/AH.
• Angelika Zirker, Esme Winter-Froemel (Hrsg.): Wordplay and Metalinguistic / Metadiscursive Reflection. Authors, Contexts, Techniques, and Meta-Reflection. Berlin, 2015. DOI:  https://doi.org/10.1515/9783110406719 

 

Dieser Artikel wurde redaktionell betreut von Maximiliane Berger, Florian Nieser und Elena Suárez Cronauer.

1. Siehe https://www.go-fair.org/fair-principles/ (15.02.2022). [↩]
2. Siehe https://offenesmittelalter.org/ (15.02.2022). [↩]
3. Siehe https://www.oeaw.ac.at/acdh/projects/releven (15.02.2022). [↩]
4. Übrigens gibt es für weniger versierte User auch den Wikidata Query Builder, mit dem Abfragen durchgeführt werden können, ohne sie direkt in SPARQL schreiben zu müssen: https://query.wikidata.org/querybuilder/?uselang=de (15.02.2022). Natürlich bietet ein visueller Query Builder nicht den vollen Umfang, der mit SPARQL möglich ist. [↩]
5. Ausführlicher unter Pollin, Christopher. 2021. RDF, RDFS, OWL. In: KONDE Weißbuch. Hrsg. v. Helmut W. Klug unter Mitarbeit von Selina Galka und Elisabeth Steiner im HRSM Projekt “Kompetenznetzwerk Digitale Edition”. Handle: hdl.handle.net/11471/562.50.131. PID: o:konde.131. (15.02.2022). [↩]
6. Fotis Jannidis: Grundlagen der Datenmodellierung, in: Fotis Jannidis, Hubertus Kohle, Malte Rehbein (Hrsg.): Digital Humanities. Eine Einführung. Metzler, 2017. DOI: https://doi.org/10.1007/978-3-476-05446-3, S. 99-108, hier: S. 107. [↩]
7. Siehe z.B. Edmond, 2019; Nyhan und Flynn, 2016; Kräutli und Davis, 2013. [↩]
8. Vorarbeiten wurden jedoch von der interdisziplinären Online-Enzyklopädie „Tiere in der Literatur des Mittelalters“ geleistet, https://www.animaliter.uni-mainz.de/ (15.02.2022). Auch das umfangreiche Begriffssystem der Mittelhochdeutschen Begriffsdatenbank (MHDBDB) kann dabei helfen, die Klassifikation poetischer Tierwesen zu erforschen, indem uneindeutige Entitäten und Tokens mehrfach annotiert werden. Mhd. trache trägt beispielsweise die Bedeutung „Reptilien“ und auch die Bedeutung „Fantastische Tiere“, um sowohl dem modernen Verständnis der User als auch dem Deutungshorizont der Quelle entgegenzukommen. Vgl. http://mhdbdb.sbg.ac.at/ (15.02.2022). [↩]
9. Dies ist der Fall bei literarischen Figuren mit historischem Vorbild, etwa König Karl in den Chansons de geste [↩]
10. Slides zum Vortrag von Luise Borek/Katharina Zeppezauer-Wachauer in der Konferenzreihe „The Past, Present and Future of Medieval Digital Studies” mit dem hier ebenfalls diskutierten ‚Gawan‘-Beispiel: Linked Open Data in Medieval Studies – https://doi.org/10.5281/zenodo.5111601 (15.02.2022). [↩]

---

---