Methodenkritik. Einblicke und Lessons Learned im Umgang mit Linked Open Data

Überblick

Die Konferenz zur Methodenkritik des DFG-Netzwerks Offenes Mittelalter fand am 5. und 6. Oktober 2023 an der Universität Stuttgart statt. Der eigentlichen Konferenz ging ein internes Treffen der Gruppe Game Studies am 4. Oktober voraus. Die Konferenz widmete sich Herausforderungen der digitalen offenen Mittelalterforschung, insbesondere im Kontext von Linked Open Data (LOD)-Projekten. Der Beitrag resümiert die zentralen Erkenntnisse und leitet Lessons Learned in insgesamt 5 Clustern ab.

Keynote: „Methodenkritik in der digitalen Mediävistik“

Den ersten Konferenztag eröffnete Gabriel Viehhauser mit der Keynote „Methodenkritik in der Digitalen Mediävistik“, die auch live gestreamt wurde, sodass Externe an Keynote und Diskussion teilnehmen konnten. Gabriel Viehauser stimmte die Anwesenden am Beispiel von Überlieferung, Edition und Analyse mittelalterlicher Texte auf das Thema Methodenkritik ein.

Das „uferlose Meer der Möglichkeiten“ als Potential und Risiko

Digitale Arbeitspraktiken zielen darauf ab, große Datenmengen und die enorme Komplexität geistes- und kulturwissenschaftlicher Überlieferungen bearbeitbar zu machen. Mit dem Potential digitaler Methodik sehen sich Forschende in quantitativer Hinsicht – sowohl im Hinblick auf die Menge an Daten als auch im Hinblick auf die Anzahl der methodisch-algorithmischen Arbeitsschritte – mit einem „uferlosen Meer der Möglichkeiten“ (Viehauser) konfrontiert. Dieses „Meer der Möglichkeiten“ bietet zwar einerseits das Potential, die Grenzen der analogen Editionspraxis zu überwinden und bspw. die parallele Darstellung mehrerer Textvarianten auszuschöpfen, andererseits aber das Risiko, in der Menge an Möglichkeiten zu „ertrinken“. Digitale Editionen verfügen über mehr Platz, weil sie nicht durch Druckseiten beschränkt sind, und können daher die synoptische und prozessorientierte Darstellung von Textfassungen, die Apparat- und Kommentarfunktionen sowie Kontexte zu einem Text endlos ausbauen.[1] Digitales Arbeiten schafft auf diese Weise Multiperspektivität und Komplexität und potenziert diese genuin geisteswissenschaftlichen Merkmale noch. Gleichzeitig verfügen computergestützte Ansätze über geeignete Methoden (etwa Visualisierungen), um diese Komplexität zu vermitteln. Nach Viehhauser muss Ziel dieser Vermittlung sein, einerseits einen Überblick über das Mögliche zu schaffen, andererseits die Möglichkeiten sinnvoll zu begrenzen, etwa durch die eingesetzte wissenschaftliche Fragestellung, durch ein bestimmtes Framework oder mittels pragmatischer bzw. ökonomischer Faktoren. Es kann eine lenkende Strukturierung erzeugt werden, ohne dabei falsche Sicherheit zu suggerieren. Auf diese Weise erfüllen, so Viehhauser, digitale Praktiken die Kernaufgabe von Editionen (möglicherweise mehr noch, als analoge Editionen dies tun), die mit Stackmann darin liegt, „ein höchstes Maß an Unsicherheit zu erzeugen“ (STACKMANN 1997, S. 267).

Die erzeugte Unsicherheit ist dabei durchaus schillernd: Datenpunkte, die auf der Mikroebene Verwirrung erzeugen, können durch den lenkenden Blick des Computers aus der Makroperspektive in Anlehnung an Morettis distant reading (MORETTI 2013/2016) Muster und Strukturen erkennen lassen. Muster als Modelle der Wirklichkeit werfen Modellierungsfragen auf und richten den Blick auf „das Kerngeschäft der digitalen Geisteswissenschaften“ (Zitat Viehhauser): die Modellierung. Dabei gehen Grenzen und Möglichkeiten von Modellen – die ja per se von der Wirklichkeit abstrahieren – Hand in Hand, wie Viehhauser mit dem George Box zugeschriebenen Ausspruch „all models are wrong, but some of them are useful“ exemplifizierte (s. Wikipedia Contributors: All models are wrong, in: Wikipedia. The Free Encyclopedia, abgerufen: 08.01.2024, https://en.wikipedia.org/w/index.php?title=All_models_are_wrong&oldid=1192633656, vgl. auch SO 2017). Modellierungen zu kreieren, die zwischen epistemischen Perspektiven changieren und eine Methodik der Irritation erlauben und unterstützen, sind Chance und Herausforderung digitaler Geistes- und Kulturwissenschaften.

Herausforderungen digitaler Analysepraktiken: von Vereinfachung über Data Bias zu Rechtfertigungslogiken

Herausforderungen der digitalen Analysepraxis veranschaulichte Viehhauser am Beispiel des Minnesangs  (vgl. hierzu VIEHHAUSER 2017). Dabei knüpfte er an Untersuchungen zu „Minnesangs Wende“ (KUHN 1967), an, die eine Entwicklung vom hohen zum späten Minnesang als eine Entwicklung hin zu höherer Objektivierung beschreiben. Eine erste Schwierigkeit digitaler Analysen besteht darin, die Relation zwischen Textoberflächenphänomenen und Bedeutungsebenen zu bestimmen, die immer nur in einem Indikationsverhältnis zueinander stehen. So bediente sich Viehhauser etwa den Nennungen von “Ich“ als Indikator für Subjektivität. Als Kern der Methodenkritik zeigte sich in dieser Hinsicht: Es muss mehr um Repräsentativität als um Vollständigkeit gehen. Gleichzeitig bieten vielschichtige, hintereinandergeschaltete Analysen wiederum die Möglichkeit, ein komplexeres Bild zu zeichnen und verschiedene Aspekte zu berücksichtigen (wie Viehhauser etwa am Einfluss von Ausgaben, Schreibungen oder Autoren auf die Daten zeigte). Die Vereinfachungen, die zu Modellierungszwecken vorgenommen werden, können auf diese Weise wieder angereichert und kontextualisiert werden. Komplexität erreicht man – so könnte man zusammenfassen – folglich durch Verkettung mehrerer, zum Zwecke der Modellierung vereinfachter Analysen. Besonders relevant erschien in diesem Kontext der bewusste Umgang mit Data Bias, also Verzerrungen in den Daten, etwa durch editorische Entscheidungen wie unterschiedliche Normalisierungsverfahren oder Graphievarianten. Solche Einflüsse zu identifizieren ist ein erster Schritt in Richtung einer kritischen Analysepraxis; andere Einflussfaktoren (z.B. Editionsentscheidungen, die nicht transparent gemacht sind) bleiben jedoch verborgen und können nur schwer neutralisiert werden. Digitale Analysen sind somit in hohem Maße von der Datengrundlage abhängig und beziehen ihre Aussagekraft aus dem Spannungsfeld von Vereinfachung (Modellierung) auf der einen und Kontextualisierung auf der anderen Seite. Dabei sieht sich die digitale Geisteswissenschaft mit einem Rechtfertigungsparadox konfrontiert, das darin besteht, einerseits bekannte Forschungshypothesen zu bestätigen bzw. zu bestärken (denn nur so vertrauen wir den Daten), andererseits aber neue Erkenntnisse generieren zu müssen, da die (aufwändigen) digitalen Methoden andernfalls keine “Daseinsberechtigung” besäßen.

Da eine Methodenkritik aber nicht bei einer Kritik der eigentlichen Analysen stehen bleibt, sondern stets auch die Herkunft der Daten mit einbezieht, schließen sich Fragen nach der Transparenz der zugrundeliegenden Daten und ihrer Qualität an. Die erwünschte “Unsicherheit” der Daten darf nicht umschlagen in ein mangelndes Vertrauen oder pauschales, Misstrauen in die Daten. Dem kann die digitale Mediävistik entgegenwirken, indem die digitalen Praktiken in besonderer Weise geeignet sind, nicht nur Bias in den Daten aufzudecken, sondern einen expliziten und transparenten Umgang mit Daten (und ihrer Provenienz) zu fördern.

Impulse – Linked Open Data (LOD) in der Praxis

Christian Prager vom Akademieprojekt „Textdatenbank und Wörterbuch des Klassischen Maya (TWKM)“ und Maria Hinzmann von „Mining and Modeling Text (MiMoText)” konnten uns im Rahmen ihrer Impulsvorträge Einblicke in praktische Erfahrungen mit LOD geben. Als zentrale Herausforderungen im Umgang mit LOD ließen sich zwei Punkte identifizieren: zum einen der Umgang mit unsicheren oder heterogenen Daten, zum anderen die Schwierigkeit, intra- sowie interdisziplinären Konsens über (relevante) Konzepte zu erzielen.

Das Akademieprojekt TWKM erforscht Schrift und Sprache der Mayakultur und zielt darauf ab, sämtliche Maya-Hieroglyphentexte texttechnologisch aufzubereiten sowie ein Wörterbuch des Klassischen Maya zu kompilieren. Die Forschungsdaten zeichnen sich durch hohe Heterogenität aus: Neben einer in Zotero erfassten ca. 30.000 Einträge umfassenden und unter anderem mit Fokus auf der Forschungsgeschichte ausgerichteten Bibliographie arbeitet das Projekt mit großen Mengen an Objektabbildungen in 2D (ConedaKOR) und 3D (Sketchfab). Eine Eigenentwicklung des Projekts ist ALMAH (https://www.youtube.com/watch?v=VuAAY5gnMyE) zur linguistischen Analyse der erarbeiteten Forschungsdaten.

Die Arbeit in TWKM ist durch den Projektgegenstand von Vagheit und Unsicherheit geprägt. Dies liegt u.a. daran, dass die Hieroglyphen des Maya bisher nur zu 40% sicher entziffert sind und zu weiteren 20% “nur” Deutungshypothesen vorliegen. Aus dieser Datenlage resultieren im weiteren Prozess Modellierungsfragen, insbesondere danach, wie die “unsicheren” Hieroglyphen im Kontext von epigraphischer Lesung, Transkription und Transliteration abgebildet werden können. Christian Prager zeigte, wie es möglich ist, bei Schriftzeichen mit unsicherer Bedeutung mehrere Deutungsvarianten parallel weiterzuverfolgen, sodass die Vagheit der Daten im Verarbeitungsprozess bewahrt werden kann (s. Abb. 1, DIEHR et al. 2019).

Abb. 1: Das Vertrauensniveau (confidence level), das einer (logographischen) Lesung zugeordnet wird, berechnet sich aus Art und Anzahl der zutreffenden Attribute.

Eine solche Vorgehensweise ließe sich auch auf heterogene Daten in anderen Forschungskontexten übertragen (vgl. BOREK et al. 2022; vgl. zu dieser Problematik auch JANNIDIS 2017, S. 107).

Neben Modellierungsfragen waren die Forschenden im TWKM Projekt mit umfassender Vokabulararbeit konfrontiert. Dies lag vor allem daran, dass das Projekt nur zum Teil bestehende Vokabulare, bspw. zur inhaltlichen Erschließung von Texten und Ikonographie, übernehmen konnte, da diese oft nur mangelhaft auf die Domäne Maya-Sprachen und -epigraphik übertragbar und anwendbar sind.

Mit dem Projekt MiMoText wurde der Fokus von der Archäologie auf die (romanische) Literaturwissenschaft verschoben. In MiMoText wurde ein literaturgeschichtliches Wissensnetzwerk zum französischen Roman des 18. Jahrhunderts (1750–1800) – eine Art “Wikidata für die Literaturgeschichte” – aufgebaut. Die Ressource stellt Daten zu insgesamt knapp 2000 Romanen bereit, zu denen bibliographische Metadaten sowie  Sachinformationen aus Forschungsliteratur vorliegen. Außerdem ist im Projekt ein Volltextkorpus von ca. 200 Romanen aufgebaut worden, zu denen über Textmining-Verfahren bestimmte Eigenschaften erhoben werden konnten, die ebenfalls in das Wissensnetzwerk eingespeist wurden. Die projektspezifische Wikibase-Instanz, die MiMoTextBase,  ist nach einer durch das Projekt erweiterten Ontologie in Anschluss an Wikidata modelliert und befindet sich in einer eigenen Wikibase-Instanz, ist aber über Identifier (Q-Nummern) und über die Suchmethode der “federated queries” mit Wikidata verknüpft. Das Projekt hat also bewusst Strukturen etabliert, die übergreifende Abfragen ermöglichen, z.B. aus der MiMoTextBase in Wikidata hinein. Die MiMoTextBase wird dadurch Teil des größeren Wikibase-Ecosystems. Damit liegen die Chancen von LOD insbesondere in der Verknüpfung heterogener Daten (aus unterschiedlichen Datentypen), in deren Folge komplexe Suchanfragen gestellt und die Daten auf einer Tiefenstruktur erschlossen werden können. Die Modellierung der Daten stellt indes eine zentrale Herausforderung dar. Dazu gehört zum einen der Mangel an Konsens über relevante Aussagetypen innerhalb der Literaturwissenschaft, zum anderen aber auch die Notwendigkeit einer Komplexitätsreduktion natürlicher Sprache auf RDF-Triple, sowie die Interoperabilität zwischen verschiedenen Infrastrukturen und Standards. Eine wichtige Komponente für die Lösung solcher Herausforderungen sieht Hinzmann im Austausch innerhalb und zwischen Communities, etwa infrastrukturspezifisch im “Wikiversum”, domänenspezifisch in den Computational Literary Studies oder allgemeiner in den Digital Humanities (DH). Dieser Austausch ist essentiell für und entsteht gerade durch LOD und die Entwicklung von Ontologien.

Lessons Learned

Die Herausforderungen im Umgang mit digitalen Daten im Allgemeinen sowie LOD im Speziellen sind im Anschluss an die Vorträge eingehend diskutiert worden. Dabei haben wir relevante Themen identifiziert und nach Lösungsansätzen gesucht. Die Lessons Learned lassen sich wie folgt clustern:

Cluster 1: Berührungsängste abbauen 

Digitale Forschungsmethoden wie LOD gehen mit Berührungsängsten einher, die abzubauen sind. Der Übergang von digitalisierter zu digitaler Forschung ist praktisch zu forcieren, aber auch theoretisch-kritisch zu begleiten. Dazu zählt zum einen, den fachwissenschaftlichen Nutzen digitaler Arbeiten aufzuzeigen, zum anderen konkrete Anleitungen im Sinne von Best Practices mit der Community zu teilen. Darüber hinaus gibt es bereits etablierte Datenbanken wie die Mittelhochdeutsche Begriffsdatenbank (MHDBDB), die in der Forschungscommunity bekannt sind und die Akzeptanz anderer Ressourcen befördern können. Forschungsberichte, Einblicke in Projekte und Vernetzungsmöglichkeiten, wie sie etwa mit der Reihe “DH in HD” oder des Blogs „Digital Humanities an der PLUS Salzburg” unterstützt werden, stellen weitere Möglichkeiten dar, um Berührungsängste abzubauen. Ein hoher Stellenwert kommt auch digitalen Studien zu, die heterogene Quellen/Ressourcen unter einer übergreifenden Fragestellung erfolgreich und methodisch nachvollziehbar zusammenführen – und damit exemplarische Bedeutung für die Forschungscommunity besitzen (Beispiel MiMoText). Daher erscheint es relevant, den fachwissenschaftlichen Nutzen von Publikationen, insbesondere auch Dissertationen, weiter zu betonen.

Cluster 2: Hürden überwinden

Wir nehmen an, dass im Allgemeinen eine Abneigung oder Hemmung gegen das Erlernen weiterer Abfragesprachen oder Abfragekonventionen besteht – daher besteht eine große Notwendigkeit, mögliche Einstiegshürden abzubauen. Das MiMoText-Projekt bietet als Unterstützung für den Einstieg Beispiel-Queries an, die Nutzer:innen Einblick in die Daten geben und als Hilfestellung für die Modellierung eigener Suchanfragen dienen. Dieses Vorgehen sollte der Standard für Projekte sein, die semantische Daten bereitstellen, insbesondere wenn deren Modellierung einen hohen Komplexitätsgrad aufweist.

Angeregt diskutiert wurde ebenfalls die Nutzung von Chatbots wie ChatGPT.[2] Nutzt man Chatbots als eine Art Interface, können sie einen niedrigschwelligen Einstieg für komplex modellierte Daten ermöglichen. Dies könnte sich vor allem in Bezug auf Queries als hilfreich erweisen, da natürlichsprachige Fragen in formale Queries übersetzt werden könnten und folglich der Zugriff auf Datenbasen ohne das Knowhow von Abfragesprachen möglich wäre. Durch die Bereitstellung von “Einstiegshilfen” und Beispielen würde ebenfalls die Nachnutzung von Daten (s. Cluster 4) erhöht werden.

Cluster 3: Unterstützende Infrastrukturen schaffen

Nutzungsszenarien und Modellierungen müssen im Verbund und nicht im idiosynkratischen Klein-Klein einzelner Projekte durchdacht werden. LOD bietet in diesem Kontext eine größere Flexibilität im Vergleich zu traditionellen Ansätzen. Umso relevanter erscheint es, nicht nur Berührungsängste abzubauen (Cluster 1) und Einstiegshilfen für LOD bereitzustellen (Cluster 2), sondern infrastrukturelle Unterstützungsangebote zu schaffen. Für digitale Forschung im Allgemeinen und LOD im Speziellen besteht ein hoher Bedarf an Beratungsstellen. Eine beratende Infrastruktur für digitale Methoden (vgl. bspw. NFDI4Culture-Helpdesk) ist in Zukunft – mit wachsender Komplexität sowohl der Daten als auch der Verfahren – weiter auszubauen. Auch Schnittstellen wie Verbände (etwa der Mediävistenverband) sollten genutzt werden, um über digitale Möglichkeiten aufzuklären und Ansprechpartner:innen zu vermitteln.

Cluster 4: Nachnutzung von Ressourcen fördern und (damit) Datenqualität sicherstellen 

Zentrale Aspekte der Methodenkritik betreffen die (Nach-)Nutzung von Daten, deren Provenienz sowie Qualität. Obgleich es zahlreiche digitale Angebote gibt, werden diese mitunter selten genutzt. Dies hängt nicht nur damit zusammen, dass in bestimmten (Teil-)Disziplinen gedruckte Texte wie Editionen neuen (digitalen) Sammlungen nach wie vor vorgezogen werden, sondern dass die Auswahl der Daten eng an das Vertrauen in diese geknüpft ist. Kriterien wie Credentials der Datenanbieter, Angaben zur Datenprovenienz, Metadaten-Standards und Dokumentationen der Datengenese müssen in transparenter Art und Weise gegeben sein, um Vertrauen zu generieren und die (diachrone) Genese von Wissen(strukturen) nachvollziehbar zu machen.

Darüber hinaus wurden empirische Zugänge zur Messbarmachung von Vertrauen in Datenbasen oder Datenanbieter:innen diskutiert, u.a. qualitative Fehlerquotienten oder Ranking-Systeme. Diese könnten zu mehr Sicherheit im Umgang mit Daten führen. Ferner ist eine in jeglicher Hinsicht offene Forschungskultur zu forcieren, um Anmerkungen oder Korrekturen zu Datensätzen mitzuteilen, die einen kritischen Umgang mit den Daten befördern und (im besten Fall) zu einer Verbesserung der Datenqualität führen. Dazu zählt auch die Möglichkeit der Kontaktaufnahme etwa zu Normdatengeber:innen. Eine solche kollaborative Arbeitspraxis zum Zwecke einer höheren Datenqualität bringt allerdings ihrerseits Herausforderungen mit sich, etwa Fragen nach der Kompetenz/Autorität der Urheber:innen oder Quellen.

In Bezug auf die Datensicherung ist prospektiv mit fehlenden Ressourcen-Backups zu rechnen und gezielt auf Synergien hinzuarbeiten. Synergien können dabei bspw. über Angebote wie Wikibase-Cloud (Wikimedia) oder FactGrid durch die kostenlose Bereitstellung von LOD-fähigen Datenbanken geschaffen werden. Darüber hinaus ist im LOD-Kontext ein wechselseitiges Verweis- und Verknüpfungssystem zwischen verschiedenen Wissensgraphen gestaltbar, beispielsweise durch Integration von Wikidata-IDs in projektspezifische Datenbanken und umgekehrt (bspw. durch Projekt-Properties in Wikidata, wie die MiMoText ID).

Cluster 5: Austausch in der Forschungscommunity forcieren

Die diskutierten Punkte legen den Bedarf an einem vermehrten Austausch in der Forschungscommunity offen. Lessons Learned oder Best Practices sollten als Leitfäden in die Community zurückgespielt werden, um für nachfolgende Projekte nutzbar zu sein. Auch theoretische Auseinandersetzungen mit Herausforderungen digitaler Forschung sind offen zu diskutieren, denn mit den neuen Verfahren ändern sich auch die Rahmenbedingungen der Forschung. Dazu zählt unter anderem die Bewusstmachung darüber, dass die digitalen Analysen in stärkerem Maße von den Daten abhängig sind (Stichwort Data Bias). Erst eine transparente Methodenkritik, die Interdependenzen offenlegt, kann zu einem angemessenen Umgang mit Daten führen. Neben den Veränderungen sind aber auch die “Konstanten” zu benennen. Beispielsweise ist die Datenauswahl nicht erst heutzutage durch äußere Faktoren wie Digitalisate oder Lizenzen bestimmt, sondern war auch früher von Rahmenbedingungen (etwa geographischen Gegebenheiten, Reisetätigkeiten, Archiven) abhängig. Gleichermaßen sind Merkmale wie Vagheit, Multiperspektivität und Komplexität nicht nur Kern literaturwissenschaftlicher Analysen, sondern werden gerade auch durch digitale Forschung abgebildet und gefördert. Ein offener Dialog trägt dazu bei, die Grundlage für Transparenz und Akzeptanz digitaler Forschung nicht nur innerhalb der DH, sondern auch in den Kerndisziplinen zu schaffen.


[1] Zum prozessorientierten Charakter digitaler Editionen siehe außerdem Sahle, P. (2017). Digitale Edition. In: Jannidis, F., Kohle, H., Rehbein, M. (eds) Digital Humanities. J.B. Metzler, Stuttgart. https://doi.org/10.1007/978-3-476-05446-3_17.

[2] Zu ChatGPT und Prompt Engineering in den GW siehe einführend: https://chpollin.github.io/ – Zur Kritik an ChatGPT und KI-Anwendungen siehe beispielhaft. Arbeitskraft: https://netzpolitik.org/2023/globaler-sueden-prekaere-klickarbeit-hinter-den-kulissen-von-chatgpt/, Umweltaspekte: https://t3n.de/news/ki-energieverbrauch-forscher-1568371/.


Linksammlung

DFG-Netzwerk Offenes Mittelalter: https://offenesmittelalter.org/.

TWKM: https://www.akademienunion.de/forschung/forschungsprojekte/twkm,

https://classicmayan.org/portal/?lang=de.

MiMoText: https://mimotext.uni-trier.de/.

ALMAH: https://www.youtube.com/watch?v=VuAAY5gnMyE.

DH in HD: https://hcdh.hypotheses.org/.

Digital Humanities an der PLUS Salzburg: https://dhsalzburg.hypotheses.org/


Literatur

  • Borek, Luise, Zeppezauer-Wachauer, Katharina und Ketschik, Nora: Eindeutig Uneindeutig. Zur Modellierung von Unschärfe in der Mediävistik, in: Mittelalter. Interdisziplinäre Forschung und Rezeptionsgeschichte 2022. https://mittelalter.hypotheses.org/27658.
  • Diehr, Franziska, Gronemeyer, Sven, Prager, Christian M., Diederichs, Katja, Grube, Nikolai und Sikora, Uwe: Modelling Vagueness – A Criteria-Based System for the Qualitative Assessment of Reading Proposals for the Deciphering of Classic Mayan Hieroglyphs, in: Proceedings of the Workshop on Computational Methods in the Humanities 2018, S. 33–44. https://dblp.org/db/conf/comhum/comhum2018.html.
  • Jannidis, Fotis: Grundlagen der Datenmodellierung, in: Fotis Jannidis, Hubertus Kohle, Malte Rehbein (Hrsg.): Digital Humanities. Eine Einführung. Stuttgart 2017, S. 99–108. DOI: https://doi.org/10.1007/978-3-476-05446-3.
  • Kuhn, Hugo: Minnesangs Wende (Hermaea N. F. 1). 2., verm. Aufl. Tübingen 1967.
  • Moretti, Franco: Distant Reading. London/New York 2013.
  • Moretti, Franco: Distant Reading. Übers. Christine Pries. Konstanz 2016.
  • So, Richard Jean: All Models Are Wrong, in: Publications of the Modern Language Association of America (PMLA) 132 (3) 2017, S. 668–673. DOI: https://doi.org/10.1632/pmla.2017.132.3.668.
  • Stackmann, Karl: Mittelalterliche Texte als Aufgabe. Kleine Texte 1, hrsg. v. Jens Haustein. Göttingen 1997. https://digi20.digitale-sammlungen.de/de/fs1/object/display/bsb00040614_00001.html.
  • Viehhauser, Gabriel: Digitale Gattungsgeschichten: Minnesang zwischen generischer Konstanz und Wende, in: Zeitschrift für digitale Geisteswissenschaften 2017. DOI: 10.17175/2017_003.
  • Wikipedia Contributors: All models are Wrong, in: Wikipedia. The Free Encyclopedia, abgerufen 08.01.2024. https://en.wikipedia.org/w/index.php?title=All_models_are_wrong&oldid=119263365.

Dieser Artikel wurde redaktionell betreut von Maxi Maria Platz und Elena Suárez Cronauer.



Diesen Blogbeitrag zitieren
Nora Ketschik und Max Grüntgens (2024, 27. Mai). Methodenkritik. Einblicke und Lessons Learned im Umgang mit Linked Open Data. Mittelalter. Abgerufen am 20. Juni 2024, von https://doi.org/10.58079/11pzx

Nora Ketschik und Max Grüntgens

Nora Ketschik ist PostDoc am Institut für Maschinelle Sprachverarbeitung der Universität Stuttgart. Max Grüntgens arbeitet im Deutschen Dokumentationszentrum für Kunstgeschichte - Bildarchiv Foto Marburg. Beide sind Mitglieder des DFG-Netzwerks "Offenes Mittelalter".

More Posts

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