CLARIN – die kompetenzorientierte Lösung in der Datenvernetzung

Zugang zu linguistischen Sprachressourcen mit nur einem Login. Ein großes Versprechen. Dahinter steckt das Projekt, welches Prof. Dr. Andreas Witt in dem Vortrag vom 20. Juli 2017 vorstellte. CLARIN[1] steht für „Common Language Resources and Technology Infrastructure“ und der Name ist Programm. Das Konzept: an verschiedenen Standorten werden Ressourcen zur Verfügung gestellt, die Computerlinguisten, weitere Geisteswissenschaftler und weitere Interessierte nutzen können. Das Ziel ist die Schaffung einer gemeinsamen Infrastruktur, die den Zugang herstellt, unabhängig von Institutionen, Nationen oder Disziplinen. Deshalb ist auch die Zielgruppe nicht bloß auf Computerlinguisten beschränkt.

Abbildung 1: Hauptseite von CLARIN (Veranstaltungsfolien des Vortrages von Prof. Andreas Witt)

Die Seite „Services“ liefert bereits eine ansatzweise Vorstellung von den Möglichkeiten der CLARIN-Plattform. Sie ist ein Wegweiser sowohl für neue, als auch für erfahrere Nutzer. Es wird im Verlaufe dieses Beitrags noch häufig dargestellt werden, welche Möglichkeiten von einer gemeinsamen Verbundstruktur ausgeht.

Abbildung 2: Dank der Bilder weiß der Nutzer sofort, wohin er weitergehen kann (Veranstaltungsfolien des Vortrages von Prof. Andreas Witt)

Die Ressourcen, die auf der Seite angeboten werden, sind mit Metadaten angereichert und persistenten Identifiern versehen. Man kann direkt jedes Korpus von jedem teilnehmenden CLARIN-Zentrum befragen. CLARIN bietet zudem Suchtools für jedes der Korpora, so dass die Befragung auch direkt von CLARIN aus erfolgen kann. Der Nutzer muss dabei nicht unbedingt eine konkrete Vorstellung haben; eine Orientierung verschafft ihm das Virtual Language Obersatory. Hier hat er die Wahl sich per facettierte Suche oder per Landkarte umzusehen.

Eine gemeinsame Infrastruktur ist schön, aber woher stammen die Daten?

Aber wie funktioniert das alles? CLARIN wurde durch die Naturwissenschaften inspiriert, wo sich eine Tradition im Austausch von Messergebnissen etabliert hat. Deshalb, und auch, weil die Daten homogen sind, haben sich Standards im Austausch durchsetzen können[2]. Das ist bisher nicht der Fall bei Daten der Geisteswissenschaften. Materialien, die als Forschungsdaten gezählt werden könnten, haben viele Erscheinungsformen. Meistens sind es Texte. Aber Texte können sehr verschiedenartig sein: Volltexte, fragmentarische Texte, Transkripte, originale Texte (beispielsweise von einem Manuskript oder Ähnlichem), Kopien, etc. Auch deren Träger müssen in diesem Zusammenhang betrachtet werden – entweder Papier, Papyri, Pergament oder sonstige texttragende Objekte wie Münzen, Statuen, Gebäude, Inschriften, etc. Zu guter Letzt seien auch die verschiedenen Genres noch genannt, die die Vielfalt potentieller Forschungsdaten weiter erhöhen: fiktionale Texte, Aufzeichnungen, Nachrichtenartikel, Reden, etc. So viel also zur Homgenität in den Daten der Geisteswissenschaften.

Zu dieser Homogenität kommt noch ein Unwille der Forscher selbst, ihre Daten in eine zentrale Plattform abzulegen. Viele Forscher sind unsicher und beunruhigt über den Werdegang ihrer Daten, wenn sie einmal ins Netz gelegt wurden. Zum Einen möchten sie sicherstellen, dass die Datenqualität geprüft worden sind, bevor sie öffentlich zugänglich gemacht werden.  Zum Anderen ist auch die Sorge davor verbreitet, dass ein anderer Kollege sich die Daten aneignet und für seine eigene Publikation verwendet.

Ein Netzwerk vermag viel mehr, als viele Einzelkämpfer

Wie aber möchte man nun eine zentrale Plattform einrichten, wo auch Daten geboten werden? Hier kommt CLARIN mit der zentrenorientierten Lösung entgegen: an verschiedenen Standorten sind Forschungseinrichtungen zuständig für klar abgesteckte Bereiche. Diese sind:

  • A-Zentren, zuständig für Tools[3]
  • B-Zentren, diese stellen Korpora von Ressourcen bereit[4]
  • C-Zentren für die Anreicherung der Ressourcen mit Metadaten[5]

Innerhalb von CLARIN finden sich zur Zeit nur B-Zentren, denen aber die größte Bedeutung zukommt, weil sie die Datengrundlage für jegliche Recherchen bereitstellen. So behält jede Institution die Hoheit über ihre Daten bei. Darüber hinaus gibt es eine weitere Spezialisierung der Institutionen in so genannten Knowledge-Zentren, beispielsweise die School of Oriental and African Studies in London. Diese hat sich den Sprachen, Kulturen und Gesellschaften von Afrika, Asien und den Nahen und Mittleren Osten verpflichtet. Frisch akkreditiert wurde ein weiteres Knowledge-Zentrum in Köln, das Language Archive Cologne, das Mittel zum Umgang mit bedrohten Sprachen bereitstellt. Insgesamt nehmen zwanzig Länder an CLARIN teil, wie die folgende Karte zeigt:

Abbildung 3: Geografische Verteilung der CLARIN-Kompetenzzentren in Deutschland. Auch das Deutsche Historische Institut in New York ist an CLARIN beteiligt. (Veranstaltungsfolien des Vortrages von Prof. Andreas Witt)

Dieser Verbund ermöglicht die Zusammenarbeit auf vielen verschiedenen Ebenen:

  • Disziplinen werden miteinander verbunden (hier (Computer-)linguistik, Geschichtswissenschaften, Germanistik)
  • Zusammenarbeit auf Werkzeugebene
  • auf Datenebene
  • auf Ebene der Verantwortlichkeiten

Verschiedene Techniken kommen so zum Einsatz und für jede gibt es einen Verantwortlichen. Dieser arbeitet unabhängig von seiner Heimatinstitution. Werfen wir im Folgenden einen Blick auf die Dienste, die angeboten werden und über die einfache Suche hinausgehen. Diese umfassen den kompletten Lebenszyklus von Daten von der ersten Entstehung über Auswertung, Publikation und Archivierung bis hin zur Nachnutzung. Damit kommt CLARIN einer dringenden Empfehlung des Wissenschaftsrates nach, die im Bericht Kommission Zukunft der Informationsinfrastruktur an oberster Stelle steht:

„Nahezu für alle Handlungsfelder wird die Vernetzung mit weiteren Einrichtungen empfohlen. Vernetzung bedeutet a) Aufbau einer stabilen nationalen Struktur, b) Verzahnung der Handlungsfelder untereinander, ressourcenschonende Arbeitsteilung und Synergienbildung, c) Erweiterung auf die europäische und internationale Ebene.“ (KII 2011: 9)

Abbildung 4: Der Zyklus der Daten laut Gesamtkonzept für die Informationsinfrastruktur in Deutschland (KII 2011: 13) und der Zyklus der Daten in CLARIN (Veranstaltungsfolien des Vortrages von Prof. Andreas Witt) einander gegenübergestellt.

In vielen Positionspapieren wird ein neues Denken zu Forschungsdaten verlangt, denen CLARIN ebenfalls nachkommt:

  • dezentrale und redundante Informationsspeicherung
  • Techniken werden ausgetauscht, sodass das Rad nicht in jedem Forschungsprojekt neu erfunden werden muss

Und dies ist nur durch ein Netzwerk zu erreichen. Dieses Netzwerk dient damit auch als ein gutes Beispiel im Forschungsdatenmanagement. Wie oben schon erwähnt, setzt es viele Punkte durch, die durch Positionspapiere angeführt worden sind, wie z.B. die Langfristigkeit und Lebendigkeit der Daten. Durch den großen Nutzerkreis besteht auch die Möglichkeit einer dynamischen Weiterentwicklung im Sinne des Rates für Informationsinfrastruktur:

„Forschungsdateninfrastrukturen […] zu öffnen, hat gewöhnlich einen positiven Effekt auf deren Qualität: Probleme und Fehler werden von nutzern rasch erkannt, und im Idealfall erfolgt kurzfristig eine Rückmeldung an Admkinistratoren und Entwickler, die zu einer Anpassung bzw. Verbesserung führt. Weiterhin fließen durch den erweiterten Nutzerkreis neue Ideen in die Entwicklung ein.“ (RfII 2016: 20f.)

Qualitätssicherung

Prof. Witt führte den Vortrag fort mit einem zentralen Thema: Qualitätssicherung. Dies ist einer der Gründe, weshalb teilweise noch ein Unwille besteht, die Daten an ein zentrales Netzwerk abzugeben. CLARIN begegnet diesem Punkt mit Standards – sie gelten als Basis eines jeden Austauschs. Entworfen werden sie von Körperschaften, entweder von nationalen Institutionen getragen oder aus einer Gruppe von spezialisierten Menschen. Erstere werden „de jure“-Standards genannt, die International Standards Organization (ISO)[6] ist ein Beispiel hierzu. Für letztere sind es Dateiformate wie beispielsweise PDF[7] (mittlerweile zum ISO-Standard erhoben) oder DOC, derartige Standards werden „de facto“-Standards genannt. Standards sind generell unterschiedlich ausgeführt; manche dienen als Rahmen, in denen es breiten Spielraum gibt – auch hier sei wieder die TEI als Beispiel genannt. Bei dessen Umsetzung in XML hat der Editor viele Möglichkeiten. Als Extrem im Detailgrad soll hier der ISO-Standard 19139 zur Generierung geospezifischer Metadaten genannt werden, wo eine sehr komplexe und wenig flexible Richtlinie den Metadatenersteller zur Hand gegeben wird. Innerhalb von CLARIN wird die Qualität der Ressourcen (die selbstverständlich nicht immer fehlerfrei ist) gewahrt, indem nach ISO TC 37[8] und TEI vorgegangen wird. Hierzu ist die CLARIN Standards Commitee zuständig.

Neue rechtliche Rahmenbedingungen

Was darf man und was nicht? Welche Ressourcen dürfen bereitgestellt werden und inwieweit muss der Zugang, wenn überhaupt, restringiert werden? Diese Fragen umreißen den zweiten zentralen Themenkomplex, dem sich Prof. Witt in seinem Vortrag gewidmet hat. Es gibt kein europäisches Copyright-System, dafür aber nationale. In Deutschlad gilt das Urheberrecht. Es wird eine Harmonisierung gemäß der Direktive 01/29/EC[9] angestrebt. Diese Direktive sieht vor, dass Urheberrechtsfragen in den Ländern gleich gehandhabt und aufeinander abgestimmt werden soll. Dies löste eine Diskussion unter den Kolloquiumsteilnehmern aus, gestellt wurde zuerst die Frage nach der Weiterverwendung. Um von einem neuen Werk reden zu können, muss laut Prof. Witt eine gewisse Schöpfungshöhe erreicht sein. Das Gesetz diene schließlich dazu, künstlerische Werke und deren Urheber zu schützen. Es gibt Schranken, die festlegen, wann welche Daten verwendet werden dürfen – eine Alltagspraxis, die jeder gut wissenschaftlich arbeitender Mensch betreibt, ist das Zitat, welches in gewissem Umfang freigegeben ist. Über Verletzungen gibt es zahllose Prozesse, deren Themen teilweise in das Absurde reichen. So werden mustergültige Verhandlungen um acht (!) Wörter betrieben sowie bei Vergessen der Namensnennung bei einem Material, das unter Creative Commons-Lizenz veröffentlicht wurde. Ergebnis dieses Prozesses war ein Schadensersatz von gerade mal null Euro.

CLARIN hat sich diesem Problem ebenfalls zu stellen und das in mehreren Punkten. Da existiert zum Beispiel die Datenbankdirektive 96/9/CE[10]. Wenn jemand mit substantiellem Aufwand eine Datenbank betreibt und auf dieser Daten speichert, so darf er die dort gespeicherten Daten, sofern sie nicht von ihm selbst stammen, nicht ohne Erlaubnis verwenden. Jedoch sind die Worte „signifikanter Aufwand“ von Relevanz – wie viel Aufwand ist bei Betreiben einer Datenbank „signifikant“? Allerdings schafft das Bitten um Erlaubnis gleichzeitig neue Kontakte – wie in einem Fall, wo ein Student bei der Forschungsstelle Gentz um Erlaubnis zur Nutzung von Daten bitten wollte, von dort aber wichtige Hilfestellungen für seine Forschungsfragen erhalten hat. Bei der Bereitstellung von Daten gilt auch die Datenschutzdirektive 95/46/EC[11].

Hiernach müssen bei erhobenen Daten alle persönlichkeitsbezogenen Angaben anonymisiert werden. Dies aber ist für CLARIN nicht so gravierend, weil die automatisch prozessierten Texte nicht gelesen werden – sie dienen in erster Linie als Sprachressourcen. CLARIN geht dagegen ethische Fragen an. Es gibt ein Ethik-Kommitee, welches über diese Fragen wacht, mit Mitgliedern aus jedem Nationalkonsortium.

Position von CLARIN im Rechtesystem?

Da CLARIN ein übernational arbeitendes Organ ist, ist auch der Status des Unternehmens selbst eine interessante Frage. Im Positionspapier der RfII ist von einer besonderen Rechtsform die Rede:

„Auf europäischer Ebene wurde 2012 eine eigene Rechtsform geschaffen, das European Research Instrastructure Consortium (ERIC). ERICs sind rechtlich selbstständige Konstruktue mit definierten Governance-Strukturen, die Personal einstellen, Drittmittelnehmer sein können und von der Mehrwertsteuer befreit sind. Ihre Einrichtung muss durch die Europäische Kommission genehmigt werden.“ (RfII 2016: 29)

CLARIN hat den Status eines solchen European Research Infrastructure Consortium, dessen Mitglieder ganze Länder sind. Die Organisation von CLARIN ist wie folgt aufgeteilt:

  • Generalversammlung
  • wissenschaftlicher Beirat
  • Direktiorium, bestehend aus Executive Director CLARIN ERIC, Vice Executive Director, Chair of the NCF, Chair Centre Committee & Technical Director, Director of User Involvement
  • weitere Kommittees

Fazit

Das Fazit kann für die ganze Vortragsreihe wie für diesen Vortrag gleichermaßen gezogen werden. Während dieser Reihe wurden Daten und Gruppen vorgestellt, die mit den über CLARIN bereitgestellten Daten arbeiten und dabei Werkzeuge sowie beachtliche Ergebnisse vorgewiesen. Auch wurden Probleme und Herausforderungen angegangen, die die Gesellschaft in engerem und weiterem Sinn betreffen. Heute wurde eine Plattform vorgestellt, die es über Nationen- und Disziplingrenzen hinweg ermöglicht, auf Sprachressourcen zuzugreifen. Thematisiert wurden Fragen der Infrastruktur, der Vernetzung von Daten, von Institutionen und Rechtsfragen. Damit wird ein gutes Resumée des vergangenen Semesters gezogen, denn mit dem Vortrag von Andreas Witt konnte ein Ausblick präsentiert werden in der weiteren Arbeit der digitalen Geisteswissenschaften.

[1] https://www.clarin.eu (aufgerufen am 26. Juli 2017, 21:14 Uhr)

[2] so zum Beispiel die Plattform des SFB TRR 32. Hier werden Messreihen von Boden- und Atmosphärenproben im Jülicher Raum bis in die Eifel erhoben. Für die Eingabe der Messdaten, Auswertungen und Publikationen sowie deren Anreicherung durch Metadaten existiert seit zehn Jahren eine eigene Plattform, vgl. http://www.tr32db.uni-koeln.de (aufgerufen am 1. August 2017, 22:08 Uhr)

[3] ein gutes Beispiel für ein A-Zentrum war im Vortrag vom 13. Juli 2017 zu READ. Hier sei die Universität Innsbruck zu nennen, die für das Projekt ein Tool zur automatisierten Erkennung von Handschriften bereitstellt, das auch jenseits des Projektes genutzt wird

[4] hiermit erfüllen sie Felder 2 (Hosting/Langzeitarchivierung) und 7 (Forschungsdaten) des Positionspapieres der Kommission Zukunft der Informationsinfrastruktur, die „standardisierte Verfahren und zuverlässige Services zur Umsetzung von perpetual Access“ fordert. (KII 2011: 34)

[5] Das Global South Studies Center der Universität zu Köln beschäftigt Mitarbeiter, die sich dezidiert der Anreicherung von Forschungsdaten mit Metadaten widmen. Erweitert auf einen Verbund wie CLARIN würde es sich hier um ein Beispiel für ein C-Zentrum handeln

[6] https://www.iso.org/home.html, aufgerufen am 2. August 2017, 8:25 Uhr

[7] https://www.iso.org/standard/63534.html, aufgerufen am 14. September 2017, 19:05 Uhr

[8] https://www.iso.org/committee/48104/x/catalogue/, zuletzt aufgerufen am 14. September 2017, 19:08 Uhr. Diese Gruppe von Standards legt Prinzipien, Umgang, Terminologie und Wartung von Sprachressourcen fest

[9] Directive 2001/29/EC of the European Parliament and of the Council of 22 May 2001 on the harmonisation of certain aspects of copyright and related rights in the information society,

http://eur-lex.europa.eu/LexUriServ/LexUriServ.do?uri=OJ:L:2001:167:0010:0019:EN:PDF , aufgerufen am 2. August 2017, 9:44 Uhr

[10] Directive 96/9/EC of the European Parliament and of the Council of 11 March 1996 on the legal protection of databases, http://eur-lex.europa.eu/legal-content/EN/TXT/PDF/?uri=CELEX:31996L0009, aufgerufen am 2. August 2017, 9:47 Uhr

[11] Directive 95/46/EC of the European Parliament and the Council of 24 October 1995 on the protection of individuals with regard to the processing of personal data and on the free movement of such data, http://eur-lex.europa.eu/legal-content/EN/TXT/PDF/?uri=CELEX:31995L0046, aufgerufen am 2. August 2017, 9:49 Uhr

Zum Autor: Andreas Gálffy hat an der Universität Köln den Bachelorabschluss in den Fächern Linguistik & Phonetik und Informationsverarbeitung erworben. Er führt seine Studien der Informationsverarbeitung im Master fort. Zur Zeit arbeitet er als Hilfskraft im Geografischen Institut, Projekt CRC TRR 32 für das RRZK.


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 .