Computational Historical Semantics: Ein Werkzeugkasten zur datengesteuerten Semantikfoschung in mittellateinischen Texten

Was bedeutet ein Begriff, und wie verschiebt sich seine Bedeutung im Laufe von Jahrhunderten? Dieser Fragestellung ging Tim Geelhaar schon bei seiner Dissertation mit dem Titel „Christianitas. Eine Wortgeschichte von der Spätantike bis zum Mittelalter“ an der Goethe Universität Frankfurt am Main nach. Auch seine Mitarbeit in dem von ihm am 4. Mai im Kolloquium „Digital Humanities – Aktuelle Forschungsthemen“ vorgestellten Projekt „Computational Historical Semantics“ lässt sich in dem Kontext sehen, untersucht es doch die linguistischen und soziokulturellen Wurzeln sprachlicher Veränderungen mit Hilfe von Text-Mining-Methoden.

Um solchen Fragestellungen begegnen zu können, ist Fachwissen sowohl aus der Linguistik und den Geschichtswissenschaften als auch aus der Informatik notwendig. Folgerichtig wird das Projekt als interdisziplinäre Kooperation zwischen der Romanistik der Universität Tübingen (Prof. Dr. Dessi Schmid), der Linguistik der Universität Bielefeld (Prof. Dr. Barbara Job) sowie des Historischen Seminars (Prof. Dr. Bernhard Jussen) und der Informatik (Prof. Dr. Alexander Mehler) der Universität Frankfurt umgesetzt.

Die Notwendigkeit für einen quantitativen Ansatz in der historischen Semantikforschung ergibt sich für das Frankfurter Forscherteam aus zwei Schwächen der bisherigen Vorgehensweise in diesem Feld. Zum einen werden meist nur wenige kanonische Quellen untersucht, hauptsächlich von Herrschern und Geistlichen. Inhalte und Sprachgebrauch der weniger untersuchten Texte werden so vernachlässigt. Dadurch fällt die Untersuchung schwer, inwiefern Sprache und Gesellschaft interagieren. Wird durch Sprache das Sag- und Machbare abgesteckt, und wenn ja, wie? Dem kann mit der Analyse von Quellen einer immer gleichen Auswahl autoritativer Texte nicht nachgegangen werden.
Zum anderen wird in den Geschichtswissenschaften häufig ein kleiner Ausschnitt detailliert untersucht und das daraus resultierende Ergebnis generalisiert. Dieses Vorgehen führt zu Trugschlüssen, wenn der Untersuchungsgegenstand nicht repräsentativ für die Gesamtsituation ist.
Diesen Problemen soll begegnet werden, indem mit einer deutlich größeren Zahl an Quellen gearbeitet wird. Die sich aus der Quellenarbeit ergebenden Thesen sollen datengestützt, wiederholbar und verifizierbar sein.

Ziele der Historischen Semantik

Mit der Historischen Semantikforschung soll methodisch die Mitte zwischen traditionell geisteswissenschaftlichen und informatisch-quantitativen Ansätzen gefunden werden. Die Hermeneutik soll durch das Verfahren nicht ersetzt, sondern unterstützt werden. Dies soll geschehen, indem die subjektiven Einflüsse einer wissenschaftlichen Thesenbildung transparent und somit kontrollierbar gemacht werden und indem die Forschung auf ein breites Fundament von Quellen gestellt wird. Die Tiefenstrukturen von Diskursen sollen greifbar und vergleichende Analysen über Jahrhunderte und Gattungen, sogar Sprachen hinweg möglich werden – denn geplant ist auch die Einbindung weiterer Sprachen als Latein, so dass eine hybride Textbasis (zum Beispiel aus mittellateinischen und mittelhochdeutschen Texten) untersucht werden kann. Statt mit dem herkömmlichen korpusbasierten Ansatz soll nun korpusgesteuert gearbeitet werden: Anstatt von vorneherein mit klar definierten Fragestellungen an das Korpus heranzugehen, ergeben sich Fragen durch Auffälligkeiten im Gesamtkorpus, durch Beobachtungen auf der Makro-Ebene.

 

Abbildung 1: Das System besteht aus einer Textdatenbank verbunden mit einem Lexikon und zwei unterschiedlich komplexen Zugriffsmöglichkeiten. Bildnachweis: Tim Geelhaar, „Comphistsem.org and HSCM“.

Der Werkzeugkasten: Comphistsem.org und eHUDesk

Geelhaar und seine KollegInnen stellen zwei Werkzeuge zur Verfügung, die jeweils einen unterschiedlichen Zugang zu den in einer Datenbank abgelegten Texten und einem mit ihnen verknüpften Lexikon bieten: Comphistsem.org und eHUDesk (Abb. 1). Ersteres ist über die Webseite www.comphistsem.org ohne Registrierung zugänglich. Über sie erfolgt der Zugriff auf die Datenbank mittellateinischer Texte, bestehend aus etwa 135 Millionen Tokens, und auf das Latein-Lexikon, welches alle in den Texten vorkommenden Wortformen enthält – fast neun Millionen. Die Texte können angesehen, in TEI kodiert heruntergeladen und auf die Frequenz eines Suchbegriffs hin untersucht werden. Der Vergleich mehrerer Texte ist ebenfalls möglich. Es kann also untersucht werden, ob ein Begriff in verschiedenen Quellen unterschiedlich häufig benutzt wird. Auch ist es möglich, sich das gesuchte Wort im Kontext anzeigen zu lassen. Außerdem existiert eine Verknüpfung ins Lexikon, wo Informationen zur Worthäufigkeit im Gesamtkorpus und alternative Schreibweisen aufgelistet werden.

Umfangreichere Analysemöglichkeiten bietet das auch als Expertenoberfläche beschriebene eHUDesk. Dort erfolgen die Einspeisung, Annotation und Pflege der Daten über eine Mischung aus automatischen und manuellen Verfahren. TEI-kodierter Text wird der Datenbank hinzugefügt und automatisiert sprachlich analysiert (zum Beispiel über Lemmatisierung oder POS-Tagging). Allerdings gibt es bei der automatischen Verarbeitung eine gewisse Fehlerrate, weshalb das System ermittelt, wie zuverlässig seine Zuordnung ist, und einer menschlichen Bearbeiterin anschließend die Möglichkeit zur Korrektur gibt (Abb. 2). Unbekannte Wortformen werden gesammelt und können ebenfalls von der Bearbeiterin bestimmt werden. Dies resultiert in einer sofortigen Aktualisierung der Daten, so dass neue Daten direkt verarbeitet und in Analysen einbezogen werden. Zur Nutzung von eHUDesk ist eine Registrierung erforderlich.

Abbildung 2: Der Lemmatisierer gibt an, wie eindeutig die Zuordnung der Lemmata ist. Falsche Zuordnungen können von so einfach erkannt und korrigiert werden. Bildnachweis: Tim Geelhaar, „Comphistsem.org and HSCM“.

Mit eHUDesk kann eine Nutzerin eigene Korpora zusammenstellen und mit verschiedenen Verfahren untersuchen. Neben der Frequenzanalyse, die auch auf Comphistsem.org angeboten wird, können beispielsweise Kookkurenz-Netzwerke, n-Gramme oder Untersuchungen der Wortkontexte angewandt werden. Auch die lexikalische Diversität von Texten kann analysiert werden. Diese Verfahren sind (im Kontext des hier besprochenen Projekts) allerdings noch weniger erprobt als die Frequenzanalyse, und häufig erfordern sie eine schärfere Quellen- und Methodenkritik. Denn selbstverständlich ist eine These noch nicht belegt, nur weil sie von Zahlen gestützt wird; statistisches Grundwissen ist erforderlich, um die Validität der Ergebnisse einer quantitativen Analyse einzuschätzen. Diese Kritik der quantitativen Verfahren ist vielen Historikern noch nicht sehr vertraut. Vor die Wahl gestellt, sie vor dem Einsatz der entsprechenden Methoden von der Pike auf zu lernen oder bei den herkömmlichen Werkzeugen zu bleiben, scheint die Wahl häufig auf letzteres zu fallen. Die fehlende Möglichkeit, die Ergebnisse der neuen Methoden zuverlässig einzuschätzen, kann ein gewisses Misstrauen gegenüber den neuen, noch nicht fest im Werkzeugkasten aufgenommenen Methoden hervorrufen.

Und was kann man damit machen?

Die Überwindung eines generellen Misstrauens gegenüber dem Einsatz quantitativer Verfahren erscheint durchaus lohnend. Dies zeigt Geelhaar anschaulich an verschiedenen Anwendungsbeispielen. Ein Vergleich der häufigsten Begriffe in zwei spätantiken Gesetzestexten, dem Codex Theodosianus (5. Jh.) und dem Codex Iustinianus (6. Jh.), fördert beispielsweise zutage, dass in letzterem der Begriff „usus fructus“ (Nießbrauch – das Recht, von einer Sache Gebrauch zu machen und aus ihr Profit zu ziehen) keine Rolle mehr spielt. Während es im Codex Theodosianus noch acht Mal erwähnt wird, taucht es im Codex Iustinianus überhaupt nicht auf. Das Rechtsinstrument existierte jedoch weiterhin. Wodurch lässt sich also diese Leerstelle erklären? Das Aufwerfen solcher Fragen ist eine der Stärken der Historischen Semantik. Zur ihrer Ergründung wird klassische Quellenarbeit nötig sein: Die Methoden von eHUDesk, wie zum Beispiel das unten dargestellten Kookkurenz-Netzwerk (Abb. 3), nutzen zur Analyse von Worthäufigkeiten und -nachbarschaften. Sie sind also bei Nicht-Vorkommen oder geringer Nennung des Suchbegriffs wenig aussagekräftig bis gar nicht nutzbar Dafür gibt der Vergleich der beiden Netzwerke Hinweise darauf, wie sich die Bedeutung der im Kontext des Wortes „lex“ vorkommenden Rechtsinstrumente zwischen den Veröffentlichungen der Gesetzestexte verschoben haben kann. Er wirft also erneut potentielle Forschungsfragen auf.

Abbildung 3: Die 20 signifikantesten Begriffe in der Nachbarschaft des Wortes „lex“ berechnet mit dem Jaccard S-Koeffizenten. Bildnachweis: Tim Geelhaar, „Comphistsem.org and HSCM“.

Anschließend an seine eingangs erwähnte Dissertation untersucht Geelhaar nun mit den hier beschriebenen Daten und Werkzeugen die Geschichte des Begriffs „populus christianus“ („das Christenvolk“). Dafür vergleicht er die Nutzung von „populus christianus“ mit der von „populus dei“ („das Volk Gottes“), indem er Worthäufigkeiten und ihre Kontexte analysiert. Die Analyse der Worthäufigkeiten half beispielweise, die lohnendsten Untersuchungszeiträume zu identifizieren (nämlich diejenigen mit der größten Abweichung nach oben oder unten im Vergleich zum Durchschnitt). Die Jahrhunderte, die so als ergiebigste Untersuchungszeiträume identifiziert wurden, decken sich mit denjenigen, die vermutlich ein Historiker aufgrund seiner Kenntnisse der Epoche ausgewählt hätte.  Das kann man als Beleg für das Funktionieren der Methode interpretieren, oder als Hinweis darauf, dass man sie nicht wirklich brauche – aber auch wenn ein Forscher mit entsprechenden Fachkenntnissen die gleiche Auswahl getroffen hätte, ist sie auf Basis der Daten nachvollziehbar und kann somit objektiv begründet werden.

Neue Untersuchungsansätze für große Mengen digital vorliegender Texte sind inzwischen in vielen geisteswissenschaftlichen Fächern ein wichtiges Thema. Daher ist es nur folgerichtig, dass auch die Geschichtswissenschaften sich die stetig wachsende Anzahl digitaler Editionen zunutze machen. Mit der Historischen Semantikforschung soll durch die breite Textbasis und das datengesteuerte Arbeiten den Verzerrungen entgegengewirkt werden, die eine intensive Auseinandersetzung mit nur wenigen Texten bewirken kann. Dabei soll die traditionelle Hermeneutik nicht auf der Strecke bleiben: Die systematische Untersuchung und Reflexion der Quellen ist und bleibt ein zentrales Werkzeug der Geschichtswissenschaft. Dank der quantitativen Auswertungen stehen für sie aber zusätzliche Informationen zur Verfügung. Insofern erscheint die Historische Semantikforschung, wie sie in Frankfurt betrieben wird, als sinnvolle Ergänzung zum Werkzeugkasten der HistorikerInnen. Insbesondere dann, wenn die vielen in eHUDesk angebotenen Analyseverfahren erprobt sind, noch einige zusätzliche Sprachlexika an das System angebunden und die Hürden zur Benutzung solcher Tools auch für traditionell arbeitende HistorikerInnen abgebaut werden. Auch wenn es also noch einiges zu tun gibt – die bisherigen Einblicke wecken große Neugierde auf die mit der Methode erzielbaren Ergebnisse.

Zur Autorin: Nasrin Saef beschloss nach ihrem Abschluss Diplom-Archivarin (FH), sich tiefer mit den digitalen Aspekten von Archiv- und Geisteswissenschaften zu beschäftigen. Sie absolvierte daher den BA Informationsverarbeitung und Medienkulturwissenschaft an der Universität zu Köln, und führt ersteres nun im Masterstudiengang fort. Außerdem sie ist wissenschaftliche Mitarbeiterin beim Cologne Center for eHumanities im Projekt „Index Librorum Civitatum“.


Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.