(Un)ähnlichkeiten in Dokumenten und Transkriptionen

Claus Huitfeldt, von der Universität Bergen, widmete sich in seinem Vortrag „Thoughts on document similarity criteria informed by transcription practices“, den er im Rahmen des Kolloquiums in Zusammenarbeit mit Michael Sperberg-McQueen gehalten hat, dem Thema document similarity. Der folgende Blogpost fasst den Vortrag zusammen und nimmt am Ende eine Bewertung vor.

Document similarity, also die Bestimmung von Ähnlichkeiten von Dokumenten zueinander, besitzt in der geisteswissenschaftlichen Forschung und auch außerhalb ein weites Aufgabengebiet. Jene Aufgaben sind beispielsweise document retrieval, score ranking oder summarization und finden unter anderem Anwendung in der Bibliothekskatalogisierung, Dokumentauthentifizierung, Archivierung, Plagiatsprüfung, Beweisprüfung an Gerichten, Stilometrie und allgemein in den historischen und literarischen Wissenschaften.

Oftmals fallen in Bezug auf similarity Sätze wie „A is 0,89 similar to B, but only 0,67 similar to C” und es scheint damit gleich offensichtlich, dass document similarity mathematisch berechnet werden kann. Wie der errechnete Wert jedoch bewertet werden kann, hängt stark vom Betrachtungswinkel ab, so Huitfeldt. Bei der Prüfung von Reisepässen wird die Ähnlichkeit beispielsweise anders bewertet als bei der Plagiatsprüfung. Das gleiche Phänomen tritt auch in der geisteswissenschaftlichen Bewertung von Ähnlichkeitswerten auf.  Dies wird deutlich, wenn ein historischer Nachdruck Forschungsgegenstand ist, der gegenüber dem Original jedoch einige Fehler aufweist. Wenn Person A der Autor ist, so würde der Nachdruck als schlampig bewertet werden, wohingegen das gleiche Dokument, insofern Person B der Urheber ist, als offenkundiges Plagiat bewertet werden würde. Es zeigt sich, dass im ersten Fall das Dokument nicht ähnlich genug war und im zweiten Fall sich die verglichenen Dokumente zu ähnlich waren.

Video des Vortrags von Claus Huitfeldt und Michael Sperberg-McQueen auf Youtube

Ähnlichkeit und Identität

Ähnlichkeit ist keine Bewertung in alles oder nichts und lässt uns auch Äpfel mit Birnen vergleichen, was einer Redewendung zur Folge ja nicht möglich ist. Auch stark unterschiedliche Objekte wie eine Katze und ein Auto lassen sich so auf ihre Gemeinsamkeiten hin vergleichen, wenn vielleicht auch nur die Farben der beiden übereinstimmen mögen. Gleichzeitig lassen sich auch bei scheinbar gleichen Objekten graduelle Unterschiede feststellen, wenn diese genauer inspiziert werden. Entscheidend sind nur die Kriterien, die für einen solchen Vergleich festgelegt werden. Letzteres lässt sich auch philosophisch durch das Prinzip der Identität des Ununterscheidbaren (principium identitatis indiscernibilium) unterstreichen, welches Gottfried Wilhelm Leibniz aufgreift, indem er davon ausgeht, dass es niemals vollkommen gleiche Dinge geben könne, sondern nur ununterscheidbare Dinge.

Das Bild ist der Präsentation des Vortragenden entnommen.

Dennoch ist die Bestimmung von Identitäten nicht graduell, denn so gilt, wenn A gleich B ist, sind A und B unterschiedliche Bezeichnungen für das gleiche Objekt. Für physische Objekte bedeutet dies, dass sie zur selben Zeit denselben Raum teilen, für abstrakte Objekte, dass sie alle definierten Eigenschaften teilen, und für Mengen, dass sie die gleichen Elemente teilen. Objekte haben die gleiche Identität, wenn ihre Beziehung reflexiv, symmetrisch und transitiv ist. Ist die Beziehung zwischen zwei Objekten reflexiv, symmetrisch, aber intransitiv so spricht von Ähnlichkeiten.

Dieses Konzept geriet in der zweiten Hälfte des 20. Jahrhunderts jedoch langsam auf das Abstellgleis, da so jedes Objekt mit allen möglichen Objekten Ähnlichkeiten aufweisen kann. Im Bereich von Dokumenten wird heute oftmals von kontextsensitiver Ähnlichkeit gesprochen, die Vagheit und Subjektivität mit einbezieht, und somit eine mutatis mutandis der Identität ist (Douven & Decock, 2010). Dokumente können Ähnlichkeiten und Unähnlichkeiten in Sprache, Vokabular, Struktur, Thematik, Genre, Stil, Handlung und vielen anderen Aspekten haben. Entscheidend ist, welche Kontexte für die Untersuchung ausgewählt werden.

Token und Typen

Während Dokumente als konkrete und physische Objekte bezeichnet werden, definieren Texte abstrakte Objekte. Dennoch existiert eine offensichtliche Relation, denn physische Dokumente sind meist schon ähnlich, wenn sie den gleichen Textkörper tragen. Die Abstraktion von Objekten hat den Vorteil, dass unterschiedliche Ebenen der Betrachtung festgelegt werden können; so teilen beispielhaft die functional requirements for bibliographic records, kurz FRBR, bibliografische Einträge in die Ebenen Exemplar, Manifestation, Expression und Werk ein.

Mitbegründer der Semiotik Charles Sanders Peirce (1839-1814) definierte, dass eine Markierung ein Token ist, wenn sie exakt einen Typ instanziiert und nicht mehrere. Zudem müssen Token eines Typs sich visuell nicht ähnlich sein und es darf Markierungen geben, die keinen Typ instanziieren. Die Typisierung wurde erweitert, sodass heute zwischen einfachen Typen (Buchstaben) und Verbundtypen (Wörter, Sätze, Absätze usw.), die gar Struktur aufweisen, unterschieden wird.

Transkriptionen – T-Similarity

Auch bei Transkriptionen, worauf der Fokus in diesem Vortrag lag, ist die Feststellung von Ähnlichkeit ein hilfreiches Werkzeug. Transkriptionen sind essenziell für das kritische Edieren, denn sie ermöglichen das Lesen von eigentlich nur schwer lesbaren Inhalten, schützen das Original und können unbegrenzt dupliziert werden. Darüber hinaus sind digitale Transkriptionen maschinell durchsuchbar und sind Grundlage für weiterführende Analysetools. Aber keine Reproduktion, die jede Transkription seiner Definition nach ist, kann alle Eigenschaften des Originals vollständig konservieren. Doch je mehr Informationen bewahrt werden und desto präziser die Reproduktion ist, als desto akzeptabler wird im Allgemeinen der Ersatz für das Original empfunden. Thomas Tanselle formuliert das Ziel einer Transkription folgendermaßen, „by transcription we mean the effort to report, insofar as typography allows, precisely what the textual inscription of a manuscript consists of” (Van der Meulen & Tanselle, 1999). Demnach ist Hinzufügen, Entfernen, Umordnen, Korrigieren und Normalisieren in Transkriptionen nicht erlaubt, dennoch sind Verstöße häufig anzutreffen. So werden oftmals Seiten- und Zeilennummern oder Annotationen angefügt, Abkürzungen aufgelöst und andere Veränderungen vorgenommen.

Die t-similarity, ein Vorschlag von Huitfeldt und Spergberg-McQueen, wiederum ist eine Typidentität. Sie besagt, dass wenn T ein Transkript von E ist, dann sind T und E Dokumente desselben Typs. Genauer beschrieben besteht eine t-similarity, 1) wenn eins-zu-eins Beziehungen zwischen Tokens in E und Tokens in T bestehen (reciprocity), 2) wenn jeder Token in T etwas aus E transkribiert (purity) und 3) umgekehrt jeder Token in E durch etwas in T beschrieben wird (completeness) sowie abschließend 4) die korrespondierenden Token vom selben Typ sind (type similarity). Auch diese Regeln werden oft verletzt und wenn das geschieht, wird es im Normalfall systematisch unternommen. Aus diesem Grund glaubt Huitfeldt, dass die Varianzen in Transkriptions-Arbeiten durch ebenso systematische Ausnahmen abgefangen werden könnten.

Das Bild ist der Präsentation des Vortragenden entnommen.

Messbarkeit von Ähnlichkeiten in Bezug auf t-similarity

Um Ähnlichkeiten bzw. Unähnlichkeiten in digitalen Dokumenten sichtbar und messbar zu machen, gibt es unterschiedliche Werkzeuge. Das UNIX-Programm diff ist zum Beispiel in der Lage zwei Textdateien gegenüberzustellen. Es ist vorwiegend zeilenbasiert und ignoriert identische Zeilen, während es Zeilen, die in Dokument A oder B exklusiv gefunden werden oder Unterschiede zueinander aufweisen, anzeigt.

Die Levenshtein-Distanz hingegen berechnet alle insert-, deletion– und substitution-Operationen, die es benötigt, um eine Zeichenkette in die verglichene umzuwandeln. Insofern keine Operation nötig ist, sind die beiden Zeichenketten identisch (maximal similarity). Bezogen auf t-similarity werden bei beiden Tools purity, completeness und type identity erfüllt. Die Levenshtein-Distanz wurde von Damerau um die transposition-Operation erweitert, um oberhalb der Buchstaben-Ebene Ähnlichkeiten feststellen zu können. Diese sorgt dafür, dass beispielsweise „Merkle“ und „Merkxy“ nicht den gleichen Ähnlichkeitswert zu „Merkel“ besitzen, da „Merkle“ nur eine Korrektur-Operation benötigt und „Merkxy“ zwei. Die Levenshtein-Distanz und diff eignen sich vor allem für einfach strukturierte Zeichenketten wie Buchstabensequenzen, sind aber für komplexere Aufgabenstellungen nicht geeignet.

Eine weitere Herangehensweise kann auch der Verzicht auf Struktur sein, indem ein Textdokument als bloße Wortmenge gesehen wird. Der Jaccard-Koeffizient ist ein Beispiel dafür, denn dieser teilt die Anzahl der gemeinsamen Elemente (Schnittmenge) durch die Anzahl aller Elemente beider Mengen (Vereinigungsmenge) und der daraus resultierende Score (0, keine Ähnlichkeit, bis 1, identisch) bemisst die Ähnlichkeit der beiden Mengen. Dieses Grundprinzip lässt sich dabei weiter ausbauen und für den jeweiligen Zweck anpassen. So wird oftmals nicht nur die Anzahl der gemeinsamen und exklusiven Elemente beachtet, sondern es wird auch die Frequenz der Elemente mit einbezogen. Zudem kann es sinnvoll sein alle Wörter in ihre Stammform zu transformieren oder Stop-Wortlisten anzufertigen, um Funktionswörter auszuschließen.

Auch das Gebiet der distributional semantics, die allesamt auf die Hypothese aufbauen, dass linguistische Elemente mit ähnlicher Verteilung eine ähnliche Bedeutung haben, können Rückschlüsse auf Ähnlichkeiten geben. Erkenntnisse können Methoden wie term weighting, mutual information, word embedding, latent semantic indexing und viele andere liefern.

Fazit

Document similarity besitzt ein weites Aufgabengebiet und ist unter anderem ein zentrales Thema im information retrieval. Da die verwendeten Methoden und verglichenen Elemente immer vom Verwendungszweck abhängen, ist document similarity kontextsensitiv zu betrachten. Der Zweck der Untersuchung kann zum Beispiel von semantischer oder struktureller Natur sein und ändert somit sofort das Vorgehen. Die Interpretation des schlussendlichen Resultats, welches am Ende einer mathematischen Ähnlichkeitsmessung steht, variiert im gleichen Maße und lässt nur bei gleichen Fragestellungen Vergleiche zu. Von der anderen Seite aus lassen sich mit document similarity aber auch Regeln und Definitionen aufstellen, um Transkriptionen dabei zu unterstützen, möglichst präzise das Original zu reproduzieren. Die t-similarity ermöglicht, mithilfe der aufgestellten Regeln zu reciprocity, purity, completeness und type identity, messbare Parameter aufzuführen, die auch bei der Erstellung von Transkriptionen Gültigkeit aufweisen.

Claus Huitfeldt ist Professor an der Universität Bergen (Norwegen) im Fach Philosophie. Er war von 1984 bis 1990 Teil des norwegischen Wittgenstein-Projekts und gründete anschließend die Wittgenstein Archives an der Universität Bergen. Dieses Projekt betreute er bis zur Veröffentlichung im Jahr 2000, welches die erste vollständige Veröffentlichung des Wittgenstein-Nachlasses war. Heute widmet er sich hauptsächlich den Methoden der Repräsentation, Manipulation und Analyse von Dokumenten, sowie Fragen zu deren ontologischem und epistemologischem Status.

Michael Sperberg-McQueen arbeitet für die Black Mesa Technologies LLC in Española, New Mexico, USA. 1985 erwarb er seinen Ph.D. in vergleichender Literaturwissenschaft an der Stanford University und war zwischen 1998 und 2009 in verschiedenen Funktionen Teil des World Wide Web Consortium (W3C). Als Mitarbeiter des MIT-Labors für Informatik und künstliche Intelligenz forcierte er im W3C vor allem die Weiterentwicklung von XML, XSD sowie XSL. Die Text Encoding Initiative (TEI) unterstützte er als Co-Editor (1994) und als Gründungs- und Vorstandsmitglied (1988-2000) im internationalen Kooperationsprojekt zur Entwicklung und Verbreitung von Richtlinien zur Kodierung und zum Austausch von elektronischen Texten in der Forschung.

Zum Autor: Mark Eschweiler hat einen BA-Abschluss in Informationsverarbeitung und Geschichte an der Universität zu Köln erzielt. Derzeit studiert er MA Informationenverarbeitung, ebenfalls in Köln, und arbeitet als wissenschaftlicher Mitarbeiter im Thomas-Institut (Mittelalterliche Philosophie). Dort ist er für die Weiterentwicklung der Digital Averroes Research Environment (DARE) und für die Dokumentenanalyse im KA3-Projekt zuständig.


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.