Lassen sich durch Topic-Modell-Klassen Untergattungen von Romanen ermitteln?

Kann man Romane anhand ihrer inhaltlichen Themen in Klassen einsortieren, bzw. mithilfe von diesen beschreiben? Und sind diese Klassen ein gutes Konzept der Beschreibung von Roman-Untergattungen? Diese Fragen stellt sich Ulrike Henny bei ihrer Arbeit beim CLiGS, der Nachwuchsgruppe „Computergestützte Literarische Gattungsstilistik“. Diese beschäftigt sich an der Universität Würzburg mit dem Ziel, einzelne literarische Gattungen in spanischsprachiger und französischer Literatur des 17./18. und 19. bis frühen 20. Jahrhundert zu beschreiben, um das Konzept ‚Gattung‘ neu zu denken. In ihrem Vortrag „Roman-Typen als Topic-Modell-Klassen?“ am 06. Juli 2017 im Rahmen des Kolloquiums „Digital Humanities – aktuelle Forschungsprojekte“ an der Universität zu Köln gab Henny mithilfe eines Werkstattberichts einen Einblick in ihre laufende Arbeit.

Eine Einteilung von Romanen in Untergattungen existiert bereits seit Längerem. Jeder, der einmal in einer Buchhandlung war, kennt eine solche. Buchhandlungen weisen jedoch oft keine richtige Systematik auf, sondern die Sortierung dient mehr der schnellen Durchsuchbarkeit für die Kunden. Henny befasst sich jedoch nicht mit aktuellen Bestsellern, sondern mit hispanoamerikanischen Romanen des 19. Jahrhunderts. Hier stellt sie sich die Frage, ob man die Untergattung eines Romans und auch Unterschiede der einzelnen Texte einer Untergattung untereinander anhand der Texte selbst erkennen kann. Denn ein Autor ordnet seinen Roman etwas Bestimmtem zu, doch eventuell passt dieser Text trotzdem nicht zu den anderen Texten der Untergattung.

Methoden: Topic-Modeling, Klassifikation und Clustering

Um herauszufinden, ob die Idee der literarischen Gattungen als Klassen Bestand hat, testet Henny verschiedene Methoden. Ihr Hauptanalysewerkzeug ist das Topic-Modeling. Dies ist kein sprachwissenschaftliches Verfahren, sondern eine Methode der quantitativen Textanalyse. Das Ziel vom Topic-Modeling ist es, ‚versteckte‘ semantische Strukturen aufzudecken, also wiederkehrende Themen, Motive und Diskurse zu identifizieren und diese in sogenannte Topics zu gruppieren. Hierbei ist wichtig zu erwähnen, dass es ein automatisches Verfahren ist, welches ohne explizites semantisches Wissen funktioniert. Die Idee hinter dem Verfahren ist, dass Wörter, die oft zusammen vorkommen, eine ähnliche Bedeutung besitzen oder auf andere Art zusammen gehören. Für die Analyse benötigt man eine Textsammlung, also ein Korpus, das aus Dokumenten besteht, welche sich wiederum aus Wörtern zusammensetzen. Die Themen werden vorher nicht definiert, sondern ergeben sich automatisch aus dem Text. Allerdings kann die Anzahl der Topics vorgegeben werden.

Abb. 1: Statistische Untersuchung der Wörter innerhalb der Dokumente sowie eine Ableitung von Topics aufgrund ihrer Wortverteilung. Aus: David M. Blei (2012): Probabilistic Topic Models. Communications of the ACM, Vol. 55, No. 4, p. 78

Ein Algorithmus erstellt dann eigenständig die vorgegebene Anzahl an Topics, je nach dem was ihm als sinnvoll erscheint. Wie auf der Abb. 1 zu sehen, wird statistisch untersucht, welche Wörter innerhalb der Dokumente und dokumentenübergreifend vorkommen und aus diesen Wortverteilungen werden dann die Topics abgeleitet. In jedem einzelnen Topic befinden sich im Endeffekt alle untersuchten Wörter, allerdings sind die Wörter innerhalb der verschiedenen Topics unterschiedlich sortiert, je nach ihrer Gewichtung, die sich aus der Wahrscheinlichkeit ihres Vorkommens ergibt. Als relevant werden nur die wichtigsten Wörter eines Topics angesehen. Es ist jedoch unklar, wo die genaue Grenze zwischen wichtig und unwichtig verläuft. Allgemein ist allerdings zu sagen, dass etwa die ersten 20 Wörter eines Topics ausreichen, um ein Thema ausmachen zu können.

Neben Topic-Modeling kommen Klassifikation und Clustering-Verfahren zum Einsatz, die ebenfalls dem Bereich des maschinellen Lernens zuzordnen sind. Es gibt mittlerweile viele verschiedene Algorithmen wie SVM (Support Vector Machine), Decision Trees (Entscheidungsbäume) oder k-Means, welche dabei helfen sollen, Textgruppen automatisch zu ermitteln. Die Klassifikation ist ein überwachtes Verfahren. Dies bedeutet, dass die Gruppen bereits vorher festgelegt werden und nur ermittelt wird, was in welche Gruppe gehört. Beim Clustering sind die Gruppen vorher nicht bekannt, sondern als unüberwachtes Verfahren werden die Gruppen selbstständig durch die Ähnlichkeit der Daten erstellt.

Abb. 2: Henny, Ulrike: Romane im Korpus über die Jahrzehnte und nach Ländern, URL: https://hennyu.github.io/dh_coll_17/index.html#/4/3.

Die Textsammlung

Die von Henny verwendete Textsammlung umfasst rund 200 Romane aus Mexiko, Argentinien und Kuba. Die Auswahl dieser Länder vermag Lateinamerika im Gesamten abzubilden, auch wenn oder gerade weil sie sich stark voneinander unterscheiden. Bis jetzt verwendet Henny alle Romane, die sie zu ihrem zu untersuchenden Zeitraum finden konnte, dabei ergibt sich, wie bei Abb. 2 zu sehen, eine ungleichmäßige Verteilung der Länder. Ähnliches ist auch auf Abb. 3 zu erkennen, hier werden die Anteile der verschiedenen Untergattungen gezeigt, zu denen die Romane entweder durch den Titel, durch wissenschaftliche Arbeiten oder durch Henny selber zugeordnet wurden. Die Romane gehören vorwiegend den historischen, sentimentalen, sozialen und kostumbristischen Roman Untergattungen an, sodass es auch hier zu einer ungleichmäßigen Verteilung der Gattungen kommt. Da eine einheitliche Verteilung für die Analyse wichtig ist, wird der Korpus noch den Anforderungen angepasst.

Abb. 3: Henny, Ulrike: Anteile von Romanen verschiedener Untergattungen, URL: https://hennyu.github.io/dh_coll_17/index.html#/4/4

Analyse der Textsammlung durch Topic Modeling

Mithilfe des Topic Modeling Tools Mallet versucht Henny Themen in ihrer Textsammlung zu ermitteln, die in den Romanen eine Rolle spielen. Da nicht jedes einzelne Wort von Belang ist, werden in der Vorverarbeitung alle unwichtigen Wörter, wie beispielsweise Artikel, entfernt und die Grundform der übriggebliebenen Wörter bestimmt. Dies nennt man Segmentierung und Lemmatisierung. Weil zu allgemeine Topics entstehen, wenn zu wenig Topics bestimmt werden, aber sich die Topics zu sehr ähneln, wenn man die Zahl der Topics zu hoch ansetzt, hat Henny die Anzahl der zu bestimmenden Topics auf 80 gesetzt – dennoch werden in dem Verfahren nie nur sinnvolle Themen herauskommen. Zur Darstellung der Ergebnisse verwendet Henny TMW, mit dessen Hilfe sich die Wörter eines Topics visualisieren lassen. Wie Abb. 4 zeigt, werden die Wörter, welche in dem bestimmten Topic die höchste Wahrscheinlichkeit aufweisen, am größten dargestellt.

Abb. 4: Henny, Ulrike: Beispiel-Topic 43: ejército-enemigo-prisionero (Heer-Feind-Gefangener), URL: https://hennyu.github.io/dh_coll_17/index.html#/5/6

Bessere Analyse der Textsammlung durch Klassifikation oder Clustering?

Auch wenn durch Topic Modeling bereits Themen in der Textsammlung gefunden werden konnten, bleibt die Frage, ob mithilfe dieser Topics die Romane richtig in Untergattungen eingeteilt werden können. Die Klassifikation soll dabei helfen, Themen zu finden, welche zentral sind bei der Einordnung der Romane in bestimmte Untergattungen. Henny wählt hierfür das Verfahren der Decision Trees. Hierbei wird beim Entscheidungsbaum bei jedem Knotenpunkt ein Topic verwendet, dessen Vorkommen im Text bestimmt, zu welcher Untergattung der Roman gehört. Auf der Abb. 5 wird der Entscheidungsweg gezeigt, ob ein Text zu den historischen, den sentimentalen oder den kostumbristischen Romanen gehört. Als erste Entscheidung steht die Frage, wie hoch die Wahrscheinlichkeit ist, dass das Topic 43 in dem zu bestimmenden Text vorkommt. Bei einer höheren Wahrscheinlichkeit als 0.0015% gehört der Roman vermutlich der historischen Untergattung an und der Weg geht rechts weiter. Hier ist wiederum die Frage, wie hoch die Wahrscheinlichkeit ist, dass das Topic 48 vorkommt, usw.

Abb. 5: Henny, Ulrike: Entscheidungsbaum mit 3 Klassen: historical, sentimental, costumbrista, URL: https://hennyu.github.io/dh_coll_17/index.html#/5/9

Bei einer Untersuchung der Texte auf drei verschiedene Klassen hin, der historischen, sentimentalen oder kostumbristischen Gattung, ist die Wahrscheinlichkeit der richtigen Einordnung eines Textes leider nicht sehr hoch. Die Genauigkeit liegt im Training bei 97,2%, im Test jedoch nur bei 58,3%. Im Decision Tree ist jedoch zu erkennen, welche Topics zur Einordnung eines Textes wichtige Merkmale sind. Im Ausgangsknoten ist zu erkennen, dass mithilfe des hier hellblau dargestellten Topics 43 unterschieden werden kann, ob ein Text eher ein Roman der historischen Einordnung – Abzweigung nach rechts zum helllilafarbenen Topic 39 – oder eher einer der sentimentalen Einordnung – Abzweigung nach links zum grünen Topic 48 – ist. In der zweiten Zeile unterscheidet das hellilafarbene Topic 39 zwischen sentimental – rechte Abzweigung zum Topic 41 – und kostumbristisch – linke Abzweigung zum Topic 24. Wiederum das beige Topic 24 in der dritten Zeile unterscheidet zwischen kostumbristisch – rechte Abzweigung  –  und historisch – linke Abzweigung.

Bei einer Verwendung einer geringeren Anzahl unterschiedlicher Gattungen steigt die Genauigkeit, während eine höhere Anzahl unterschiedlicher Untergattungen die Entscheidung schwieriger macht. Insgesamt reichen aber bereits wenige charakteristische Topics aus, um die verschiedene Arten von Romanen schon recht gut unterscheiden zu können.

Abb. 6: Henny, Ulrike: Clusterdarstellung mit drei Clustern, URL: https://hennyu.github.io/dh_coll_17/index.html#/5/18.

Das Clustering-Verfahren soll überprüfen, ob die Romane auf Grundlage ihrer Topics in Untergattungen eingeteilt werden können, ohne dass diese vorher bekannt sind. Abb. 6 zeigt den Versuch 95 Romane in 3 Cluster mithilfe des k-Means Algorithmus einzuordnen. Die Erwartung, dass die drei Cluster automatisch die drei angenommenen Untergattungen historisch, sentimental und kostumbristisch wiedergeben, wurde nicht erfüllt. Auch bei Versuchen mit mehr Clustern lässt sich erkennen, dass dies eine höhere Differenzierung der Untergattung bedeuten könnte, allerdings ergeben auch mehr Cluster keine Gruppen, in denen nur Romane eines Typs vorkommen.

Verwendung von Topic-Model-Klassen sinnvoll?

Alles in Allem lässt sich sagen, dass Roman-Typen durchaus mithilfe des Topic Modeling beschrieben werden können. Vor allem bekannte Roman-Untergattungen, wie historische oder sentimentale Romane lassen sich gut als Topic-Modell-Klassen abbilden. Bei anderen Untergattungen, wie die kostumbristischen oder gesellschaftlichen Romanen, ist dies schwieriger. Bei der Verwendung der Topics sind auch die vorher unbestimmten Topic-Cluster sinnvoller als eine Klassifizierung, auch wenn die Zuordnung zu den uns vorher bekannten Untergattungen immer noch schwierig ist, was bedeutet, dass hier weiter geforscht werden muss. Gerade für die hispanoamerikanischen Roman-Untergattungen bedeutet dies, dass die vorherigen Zuordnungen der Romane zu einer Untergattung überprüft und gegebenenfalls weitere Untergattungen hinzugefügt werden müssen oder auch Mischgattungen akzeptiert werden sollten.

Zur Referentin: Ulrike Henny studierte Regionalstudien Lateinamerika an der Universität zu Köln und der Universität von Lissabon in Portugal. Derzeitig ist sie Mitarbeiterin der Nachwuchsgruppe Computergestützte Literarische Gattungsstilistik (CLiGS) sowie Doktorandin an der Graduiertenschule für die Geisteswissenschaften der Universität Würzburg. Ihr Dissertationsthema lautet “Topic and Style in Subgenres of the Spanish American Novel concerned with Representations of Society (1830-1910)“.

Zur Autorin: Gwenlyn Tiedemann machte ihren BA-Abschluss in Kunstgeschichte und Informationsverarbeitung und studiert derzeit im 1-Fach-Master Informationsverarbeitung. Sie ist als wissenschaftliche Hilfskraft am Kunsthistorischen Institut und dem Musikwissenschaftlichen Institut tätig.


Schreibe einen Kommentar

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

This site uses Akismet to reduce spam. Learn how your comment data is processed.