Bei der Idee, mit Hilfe von digitalen Werkzeugen interaktive virtuelle Umgebungen begehbar zu machen, deren Darstellung mit gleichzeitiger Wahrnehmung verknüpft ist, handelt es sich schon lange um kein reines Wunschdenken mehr. Durch den immer weiter vordringenden technologischen Fortschritt und den Einzug rechenstarker Computerkomponenten (bspw. Grafikkarten) in die Wohnungen der Menschen, ist es möglich, virtuelle Welten von zu Hause aus begehbar zu machen. Auch viele Großunternehmen machen sich das neuartige Medium zu Nutze und setzen es zu Marketingzwecken ein. Zudem werden auch in der Bildung, der Wissenschaft und der damit einhergehenden Wissensgenerierung Technologien der Virtual Reality eingesetzt.
Um das zu zeigen, besuchte am 30. November 2022 der ehemalige Leiter des regionalen Rechenzentrums Köln Herr Prof. Dr. Ulrich Lang das Colloquium in Digital Cultural Heritage des Instituts für Digital Humanities und Archäologischen Instituts und gab den Studierenden einen Einstieg in das Thema Virtual Reality. Dabei zeigte er auch Möglichkeiten des Einsatzes von Virtual-Reality-Technologien im Kontext der Universitätslehre und möglichen Forschungszwecken.
Narrative sind mehr als nur Erzählstrukturen in fiktionalen Texten. Sie spiegeln gesellschaftliche Werte und kulturelles Erbe wider. Narrative können helfen, Themen und Standpunkte leichter zu vermitteln und aufzunehmen, was gleichzeitig zu Manipulation und Desinformation führen kann. Die Forschungsgruppe von Professor Mark A. Finlayson beschäftigt sich mit dem automatischen Erkennen und Verarbeiten narrativer Bestandteile mit Natural Language Processing (NLP) Methoden. In seinem Vortrag am 16.11.2022 im Rahmen des Colloquiums in Digital Cultural Heritage an der Universität zu Köln erklärt Finlayson zudem, warum das (automatische) Verstehen von Narrativen wichtig und nützlich ist – für die Digital Humanities und andere Bereiche.
Was Narrative ausmacht und warum sie so interessant sind
Zu definieren, was genau ein Narrativ oder eine Geschichte ausmacht, ist intuitiv gar nicht so offensichtlich. Denkt man an literarische Texte, fallen einem möglicherweise zuerst prototypische Charaktere wie Held und Bösewicht ein oder typische Elemente des Geschichtenerzählens wie zum Beispiel das Happy End. Denkt man an Filme, gibt es ähnliche zeitliche Abläufe und typische Figuren. Aber Narrative sind nicht nur Geschichten, die jemand zu Papier oder auf die Leinwand gebracht hat. Es gibt Erzählungen, die innerhalb eines Kulturkreises, oder sogar darüber hinaus, immer wieder auftauchen. So eine Erzählung ist zum Beispiel in den Vereinigten Staaten Vom Tellerwäscher zum Milllionär oder im europäischen und nordamerikanischen Raum Der Weihnachtsmann. Demnach sind Narrative oder Geschichten ein gängiger Bestandteil gesellschaftlichen Diskurses und enthalten sogenanntes shared knowledge, also gemeinsames Wissen einer bestimmten Gruppe. Sie sind Ausdruck kultureller Werte und Bestandteil des Commonsense.
Um Geschichten maschinell verarbeiten zu können, sind formale Kriterien notwendig. Finlayson nennt in seinem Vortrag folgende notwendige Eigenschaften eines Narrativs:
Ein Narrativ ist Diskurs, der eine kohärente Abfolge von Ereignissen darstellt
Die Ereignisse stehen in kausalem und zweckmäßigem Zusammenhang zueinander
Die Ereignisse beziehen sich auf bestimmte Figuren und Zeiten
Die Abfolge der Ereignisse weist eine gewisse Organisationsstruktur auf, die über die Kohärenz der Ereignisse in sich selbst hinausgeht
Diese Eingrenzung bietet die Möglichkeit, einzelne Aspekte und Bestandteile von Narrativen zu annotieren und automatisch zu erkennen. Dazu werden NLP-Methoden verwendet, also Algorithmen zur Verarbeitung natürlicher Sprache.
Narrative NLP beschäftigt sich mit bestimmten Teilaspekten von Geschichten, beispielsweise mit dem Identifizieren von Charakteren und deren Zielen und Motivation. Diese Tasks sind hochkomplex, da sie Kenntnisse der echten Welt und sozialer Mechanismen, Commonsense und Pragmatik erfordern. Aber warum ist es notwendig, Methoden für das automatische Verarbeiten von Geschichten zu entwickeln? Eine wichtige Motivation ist das Erkennen von Fake News. Da Narrative es erleichtern, Themen und Standpunkte zu vermitteln und zu verstehen, werden sie auch häufig für gezielte Desinformationskampagnen missbraucht. Besonders das Internet und Social Media machen es möglich, eine große Anzahl Personen mit bestimmten Informationen und Erzählungen zu erreichen und so gezielt für Unsicherheit, gesellschaftliche Spaltung und Kontroverse zu sorgen. Dies machen sich politische Strömungen, terroristische Organisationen und Unrechtsstaaten wie Russland zunutze. Technologien, die Narrative verstehen und verarbeiten können, spielen daher eine wichtige Rolle in der Bekämpfung von Fehlinformationen und Manipulationsversuchen.
Finlaysons Forschungsgruppe Cognition, Narrative & Culture Laboratory (CogNaC Lab) beschäftigt sich damit, verschiedene Bestandteile von Narrativen automatisch zu verstehen und zu verarbeiten. Einige der Forschungsprojekte werden im Nachfolgenden vorgestellt. Das übergeordnete Ziel ist es, Master Narrative, Ideologien, Narrativsysteme und moralische Systeme zu identifizieren und zu verstehen. Während Erkenntnisse zu diesen Themen in den Digital Humanities vor allem für digitale Literaturwissenschaften interessant sind, können auch andere Bereiche wie Bildung, Politik und Militär davon profitieren.
Forschungsprojekt: Timeline Extraction
Die sogenannte Timeline Extraction, die Extraktion der Zeitachse, befasst sich mit der zeitlichen Anordnung von Ereignissen in Geschichten. Viele wissenschaftliche Arbeiten in dem Bereich basieren auf einer Graphstruktur namens TimeML (Pustejovsky et al, 2003). Der Beispieltext unten verdeutlicht, dass zeitliche Zusammenhänge in Texten nicht immer linear verlaufen und es alternative und hypothetische Teilachsen gibt. Im Beispiel sieht man das an der Konditionalphrase, die die Ereignisse 7 und 8 enthält, welche nicht tatsächlich stattgefunden haben. Die TimeML Graphstruktur (Figure 1), stellt Ereignisse als Knotenpunkte dar, die mit verschiedenen Arten von Kanten verbunden sind. Die Konditionalphrase wird hier als Abzweigung mit dem Label CONDITIONAL dargestellt.
Beispieltext aus der Präsentation von Mark A. Finlayson:
John’s phone rang1, and he answered2 it. As soon as he picked up3, Mary started complaining4. He was quickly bored5, but realized6 that if he hung up7, Mary would be mad8. So he continued9 to listen10.
Figure 1: TimeML Graphstruktur des Beispieltextes. Quelle: Präsentation von Mark A. Finlayson
Dennoch weisen solche TimeML Graphstrukturen einige Schwachstellen und Grenzen auf. Beispielsweise sind die dargestellten Zeitachsen unvollständig, da sie immer nur eine lokale und partielle Reihenfolge von Ereignissen darstellen, was zu einer fehlerhaften Gesamtordnung führen kann. Zudem sind sie schwer lesbar und ihre maschinelle Verarbeitung ist kompliziert (Ocal & Finlayson, 2020). Als Lösungsansatz entwickelte Finlaysons Forschungsgruppe TLEX, eine Methode, die mittels eines Algorithmus aus TimeML Graphen exakte und vollständige Zeitachsen erstellt. Die TLEX– Darstellung des Beispieltextes ist zu sehen in Figure 2. Die Minus- und Pluszeichen symbolisieren hier Anfang und Ende eines Ereignisses. Das hypothetische Ereignis, die Konditionalphrase, wird als parallel verlaufende Teilachse dargestellt. Zusätzlich bietet diese Darstellung die Möglichkeit, alternative Abschnitte der Zeitachse darzustellen, was TLEX non-deterministisch macht. Im Bezug auf den Beispieltext sind das die Ereignisse 3 und 6, die alternativ und zeitgleich zu den Ereignissen 2 und 4 verlaufen.
Figure 2: TLEX Darstellung des Beispieltextes. Quelle: Präsentation von Mark A. Finlayson
Forschungsprojekt: Animacy/ Character Detection
Ein essenzieller Bestandteil von Narrativen sind Figuren (characters). Um diese zu identifizieren, spielt die Unterscheidung zwischen belebten (animate) und unbelebten (inanimate) Objekten eine zentrale Rolle. Eine handelnde Figur in einer Geschichte ist notwendigerweise belebt, dies muss aber nicht unbedingt ihre Beschaffenheit in der echten Welt widerspiegeln. In Geschichten kann es Figuren wie sprechende Bäume und laufende Öfen geben, welche dann auch handelnde und belebte Figuren sind. Gleichzeitig können Dinge, die normalerweise belebt sind, in einem bestimmten Kontext nicht belebt sein, beispielsweise ein totes Pferd. Diese ungewöhnlichen Figuren erschweren die Identifikation von belebten Objekten, da bestimmte Wörter wie ‚Pferd‘ oder ‚Ofen‘ kein Prädiktor für oder gegen Animacy sind.
Um belebte Objekte in Texten automatisch zu erkennen, nutzt Finlaysons Team Coreference Chains. Für die Annotation von Coreference Chains werden Nominalphrasen und Pronomen im Text markiert und diejenigen Einheiten miteinander verknüpft, die sich auf dasselbe Objekt beziehen. Bei einer Animate Chain beziehen sich die verknüpften Wörter auf eine belebte Figur, bei einer Inanimate Chain auf ein unbelebtes Objekt. Neben Chains gibt es auch Singletons, wenn es nur eine Referenz auf ein bestimmtes Objekt im Text gibt. Figure 3 zeigt ein Beispiel eines annotierten Textes. Hier bilden beispielsweise ‘me‘, ‘the girl‘, ‘she‘ und ‘her‘ eine Animate Chain, während ‘branches’ ein Inanimate Singleton ist.
Finlaysons Forschungsgruppe entwickelte ein Regelwerk für die Feststellung der Animacy eines Wortes, welches dann mit einem Support Vector Machine (SVM) basierten Classifier kombiniert wurde (Jahan et al, 2018). Dieser hybride Ansatz lieferte mit einem F1-Score von 94% sehr gute Ergebnisse für ungewöhnliche Figuren wie ein ‚laufender Ofen‘ oder ein ‚totes Pferd‘. Um die Animacy einer gesamten Coreference Chain zu bewerten, wird gezählt, ob die Mehrheit der Bestandteile als animate oder inanimate klassifiziert wurden.
Figure 3: Beispieltext annotiert mit Animate/ Inanimate Coreference Chains. Quelle: Präsentation von Mark A. Finlayson
Ein weiteres Forschungsprojekt von Finlaysons CogNaC Lab basiert auf den Theorien des russischen Folklorist Wladimir Propp (1895-1970). Dieser entwickelte ein Modell der Erzählstruktur von russischen Volksmärchen, welches narrative Einheiten als Funktionen bezeichnet. Dieses Modell wurde von Literaturwissenschaftler*innen auf viele weitere Arten von Geschichten übertragen. Propp unterschied zwischen der Gross Structure, der Intermediate Structure und der Fine Structure (siehe Figure 4). Die Intermediate Structure enthält narrative Einheiten wie das ‚Verlieren der Familie‘ (β) oder die ‚List gegen den Protagonisten durch den Antagonisten‘ (η). Die Fine Structure beinhaltet konkrete dazu passende Ereignisse. Die Gross Structure, auch moves oder arc genannt, beschreibt einen übergeordneten, groben Ablauf der Geschichte. Zusätzlich definierte Propp stereotype Figuren in Geschichten, die sogenannten Dramatis Personae.
Figure 4: Ebenen der Erzählstruktur und stereotype Figuren nach Wladimir Propp. Quelle: Präsentation von Mark A. Finlayson
In einer wissenschaftlichen Arbeit beschäftigte sich Finlayson (2016) mit dem automatischen Erfassen von Propps Funktionen (Intermediate Structure). Basierend auf semantisch annotiertem Text und regulären Grammatiken werden mehrere Formalisierungsschritte angewandt, um die narrativen Einheiten mehrerer Geschichten zu eine Gesamtstruktur zusammenzuführen. Am leichtesten verstehen lässt sich das anhand eines Beispiels. 1) und 2) sind kurze Geschichten, die sich gut für die Demonstration der Idee eignen. Dass es zwischen diesen beiden Geschichten gewisse Parallelen gibt, fällt intuitiv schnell auf. Wie sich diese Ähnlichkeiten formal darstellen oder mittels eines Algorithmus ableiten lassen, ist weitaus weniger offensichtlich.
Beispielgeschichten aus der Präsentation von Mark A. Finlayson:
The boy and the girl were playing. He chased her, but she ran away. She thought he was gross.
The man stalked the woman and scared her. She fled town. She decided he was crazy.
Dazu nutzte Finlayson (2016) semantische Annotationen von narrativen Texten. Basierend darauf werden die erzählerischen Ereignisse als kleine Graphen dargestellt (siehe Figure 5), optimalerweise beinhalten diese jeweils einen Agenten und einen Patienten. Im Satz ‘The man stalked the woman‘ ist ‘man’ Agent, die handelnde Figur, und ‘woman’ Patient, die Figur, der etwas passiert. Zusätzlich werden semantische Informationen über die einzelnen Wörter in Betracht gezogen. Basierend auf diesen Informationen, werden die parallelen erzählerischen Ereignisse der beiden Geschichten nach und nach zu sogenannten merge nodes zusammengeführt. Daraus resultiert ein finales Modell mit einer gemeinsamen Gesamtstruktur der beiden Erzählungen (siehe Figure 6). Für dieses Beispiel lassen sich die drei verbleibenden erzählerischen Ereignisse mit den Überbegriffen Verfolgung, Flucht und Urteil zusammenfassen. Das algorithmische Modell für das automatische Zusammenführen der erzählerischen Ereignisse, beruht auf semantischen und strukturellen Regeln, den sogenannten Merge Rules. Finlayson (2016) leitete diese Regeln direkt aus Propps theoretischem Werk ab und stellte damit den ersten Ansatz zum computerbasierten Lernen narratologischer Theorien vor.
Figure 5: Graphdarstellung der Ereignisse von Beispiel 1) und 2) Quelle: Präsentation von Mark A. FinlaysonFigure 6: Finales Modell der zusammengefügten Erzählstruktur von Beispiel 1) und 2) Quelle: Präsentation von Mark A. Finlayson
Fazit
In seinem Vortrag verdeutlichte Mark A. Finlayson, dass es im Zusammenhang mit Narrativen eine Vielzahl von Tasks und Fragestellungen gibt, die sich in ihrer Struktur und Komplexität stark unterscheiden. Projekte seines Teams beschäftigen sich unter anderem mit Timeline Extraction, Animacy Detection und dem Erkennen von gesamten Erzählstrukturen und konnten hier bereits einige Erfolge verzeichnen. Das Feld bietet noch viele Möglichkeiten für weitere Forschung, beispielsweise zum Identifizieren von Tropes, Genres oder Moral. Als heiligen Gral der Narrative NLP bezeichnet Finlayson das computerbasierte Verstehen von Master Narrativen wie Der Amerikanische Traum oder Der Pharaoh. Verschiedene Bereiche profitieren von Fortschritten im Bereich Narrative NLP. Für die Digital Humanities ist besonders das maschinelle Verstehen und Anwenden literaturwissenschaftlicher Theorien relevant, aber auch Politik und Militär haben großes Interesse an dem Feld. Narrative haben die Macht, Ideologien und moralische Werte geschickt zu verpacken und für ein Publikum leichter zugänglich zu machen. Diese Eigenschaft kann gezielt zur Überzeugung und Beeinflussung genutzt, aber auch missbraucht werden. Ein besseres Verstehen von Narrativen spielt demnach auch für das Zerschlagen von Fake News und Desinformationskampagnen eine wichtige Rolle.
Quellen
Finlayson, Mark Alan. “Inferring Propp’s functions from semantically annotated text.” Journal of American Folklore 129.511 (2016): 55-77.
Jahan, Labiba, Geeticka Chauhan, and Mark A. Finlayson. “A new approach to animacy detection.” Proceedings of the 27th International Conference on Computational Linguistics. 2018.
Ocal, Mustafa, and Mark Finlayson. “Evaluating Information Loss in Temporal Dependency Trees.” Proceedings of the 12th Language Resources and Evaluation Conference. 2020.
Pustejovsky, James, et al. “The timebank corpus.” Corpus linguistics. Vol. 2003. 2003.
Zum Vortragenden: Mark A. Finlayson ist Professor für Computer Science an der Knight Foundation School of Computing and Information Sciences der Florida International University. Seine Forschungsgruppe Cognition, Narrative & Culture Laboratory beschäftigt sich mit der Interaktion zwischen Kognition und Kultur, Narrativen und Sprache aus computerbasierter Perspektive. Finlayson studierte Elektrotechnik und promovierte 2012 in Computer Science am Massachusetts Institute of Technology (MIT).
Zur Autorin: Lea Grüner studiert nach ihrem Bachelorabschluss in Computerlinguistik an der Eberhard-Karls-Universität Tübingen nun Informationsverarbeitung im Master an der Universität zu Köln. Derzeit arbeitet sie als Werkstudentin bei einer Softwarefirma.
Am 09.11.2022 präsentierte Louise Tharandt im Kolloquium “Digital Cultural Heritage” ihre Masterarbeit zum Thema „From previous on-site reconstructions to current virtual 3D reconstructions – A look at the impact of recreating the past using the example of the megalithic tomb Düwelsteene in Westphalia“. Im Rahmen der Arbeit befasste sich Louise Tharandt mit den Düwelsteenen und fertigte mit der Hilfe der Altertumskommission für Westfalen, Landschaftsverbands Westfalen-Lippe (LWL) und eines Citizen Science Projektes drei virtuelle Rekonstruktion der kulturerblichen Stätte an. In diesem Blogpost wird die Präsentation zusammengefasst und somit ein Überblick über das vorgestellte Projekt gegeben. Auf die Präsentation eines zweiten Projektes im Rahmen eines Hackathons wird hier nicht eingegangen.
Ein Objekt genauso einfach scannen zu können, wie die Seiten eines Buches. Das wäre ein langfristiges Ziel von Pedro Santos, dem Leiter der Abteilung für Digitalisierung von Kulturerbe am Fraunhofer Institut für Graphische Datenverarbeitung und seinem Team. Am 7. Juli 2022 stellte er den Gästen des Kolloquiums „Digital Humanities – Aktuelle Forschungsprojekte“ die Arbeit mit dem CultArm3D vor, mit dem bereits Sammlungen mehrerer Museen als 3D-Objekte digitalisiert wurden. Fokus lag während der Entwicklung insbesondere darauf mit dem System wiederholbar hohe Qualität zu erreichen und aus demselben Objekt auch definitiv immer dasselbe digitale Modell erstellen zu können.
Argumentationen sind ein zentraler Bestandteil menschlicher Kommunikation. Diese mit Algorithmen automatisch zu erkennen, zu strukturieren oder zu generieren ist ein herausforderndes Problem der Computerlinguistik, das mehrere Ebenen der Formalisierung und elaborierte Machine Learning Modelle erfordert. Im Rahmen des Kolloquiums Digital Humanities – Aktuelle Forschungsprojekte stellte Professor Manfred Stede am 30.06.2022 die Forschung seiner Arbeitsgruppe an der Uni Potsdam zum Thema Argument Mining vor. In seinem Vortrag ging es um das Erkennen argumentativer Bestandteile und Strukturen, das automatische Generieren von Argumenten, und um die grundlegenden Aufgaben Sentimentanalyse und Stance Detection.
Weshalb haben einige Städte des Balkans einen Namen lateinischen Ursprungs und andere nicht? Wo führte die Straße von Štip bis Petrič in Mazedonien im 14. Jahrhundert entlang? Und wo genau befand sich die mittelalterliche Altstadt von Skopje? Für die Beantwortung dieser und weiterer Fragen kann die Software OpenAtlas genutzt werden. In dem auch auf Youtube zur Verfügung stehende Vortrag gab uns Bernhard Koschiček-Krombholz eine allgemeine Einführung in die Software, während Mihailo Popović uns anhand des Projektes “Tabula Imperii Byzantini Balkan” (TIB) einen konkreten Anwendungsfall von OpenAtlas vorstellte. In diesem Blogpost soll sich anhand der TIB Balkan eine exemplarische Nutzung von OpenAtlas vorgestellt und insbesondere die Probleme und Besonderheiten im Übertragen analoger, historischer Quellen in eine kartenbasierte Datenbank aufgezeigt werden.
“Raum, Rekonstruktion, Einfühlung – Perspektiven zur Virtuellen Realität (VR) in der Theaterforschung” lautete der Titel des Vortrags, den Dr. Nora Probst im Digital Humanities Kolloquium hielt. In diesem gab sie einen interessanten Einblick in die noch laufende Forschung in den Bereichen DH, Theaterwissenschaften und Medienwissenschaft. Im Zentrum ihrer Forschung steht dabei die Frage, wie Virtual-Reality-Technologien für die Untersuchung einiger Forschungsfragen genutzt werden. Mit dieser Frage im Hinterkopf wurden wir auf eine spannende Reise mitgenommen, die von den Verfahren der Rekonstruktion von alten Theater(bühnen) bis hin zu den Möglichkeiten ging, wie VR ein Einfühlen in andere Personen und fremde Körper ermöglicht.
Die Geschichtswissenschaft steht vor einem entscheidenden Umbruch. Durch den hohen Einfluss von öffentlichen Geschichtsrepräsentationen, z.B. in sozialen Medien, gibt es immer neue Akteur*innen und Forschungsfelder, um die Präsentation, Produktion und Rezeption geschichtskultureller Produkte zu erforschen. Die sich bietenden Chancen sind so wie die Herausforderungen weit gefächert und können nur interdisziplinär adressiert werden. Am Beispiel des Forschungsprojekts #SocialMediaHistory boten Mia Berg und Andrea Lorenz in ihrem Gastvortag am 19.05.2022 einen ausführlichen Einblick in die Auseinandersetzung mit vergangenheitsbezogenen Darstellungen in Social Media innerhalb der Geschichtswissenschaft und die notwendige Diskussion von Dokumentations-, Archivierungs- und Analysestandards.
Im Juli 2017 wurde das Institut für Digital Humanities an der Universität zu Köln (UzK) gegründet. Bevor der Kölner DH-Studiengang Informationsverarbeitung sowie die Forschungspraxis offiziell unter dem Label der Digital Humanities liefen, haben sich seit 1997, seit der Einrichtung einer Professur für Historisch-Kulturwissenschaftliche Informationsverarbeitung, die Strukturen an der UzK stetig dahingehend entwickelt, die Digital Humanities als eigenes Fach zu etablieren. Mit einem heutigen Selbstverständnis haben wir uns als Studierende gefragt, ob die Diskussion um die Digital Humanities denn überhaupt noch relevant ist und überhaupt jemals war. Denn zählt nicht einfach, was praktiziert und unterrichtet wird, anstelle des Labels, unter dem es läuft?
Ulrike Henny-Krahmer hat am 15.04.2022 mit der Vorstellung des Status Quo in Rostock gezeigt: Die Diskussion um die Digital Humanities ist noch längst nicht vorbei und es wird deutlich, weshalb sie geführt werden muss.
Im Wintersemester 2021/2022 fand das Colloquium in Digital Cultural Heritage als Hybrid-Veranstaltung statt. Sowohl online als auch offline trugen verschiedene WissenschaftlerInnen Beiträge zu unterschiedlichsten Projekten vor. Als Abschluss der Reihe präsentierte Tessa Gengnagel vom CCeH der Universität zu Köln ihren Vortrag mit dem Titel “Digital Scholarly Editions Beyond Text – Modelling Medieval Picture Programmes and Modern Motion Pictures“. Der Vortrag trug den gleichen Titel wie Gengnagels Dissertation und bildete einen Querschnitt durch das Thema.
Am 12.01.2022 besuchte uns Dr. Iris Kramer von dem Startup ArchAI Ltd. um im Kolloquium für Digital Cultural Heritage, um von Ihren Entwicklungen automatisierter Verfahren zur Erkennung von archäologischen Ausgrabungsstätten mit LiDAR und Deep Learning zu erzählen. Kramer begann damit, die Entwicklung der Anwendung von Deep Learning in der Archäologie zu erklären und präsentierte im Anschluss die damit verbundenen Möglichkeiten und Zukunftsaussichten der Automatisierung und Unterstützung von archäologischer Forschung mit Deep Learning.
Im Rahmen des Modellathons 2020 haben Louise Tharandt und Daniel Hinz eine 3D-Rekonstruktion des Hauptwerkes der Carl-Zeiss AG Jena erstellt. Das Projekt dauerte von September 2020 bis Januar 2021 und fiel somit mitten in die Corona-Pandemie, was ein face-to-face Treffen unmöglich machte. Im Kolloquium „Digital Cultural Heritage“ stellten sie ihr Projekt vor und erzählten, wie es ihnen gelang, trotz der Pandemie eine 3D-Rekonstruktion zu erstellen, mit welcher sie den 1. Platz des Modellathons erlangten. Das Ergebnis der Rekonstruktion wird in diesem Video dargestellt:
Computational Thinking (CT) scheint eine wichtige Kompetenz, um an der heutigen digitalisierten Gesellschaft partizipieren und diese aktiv mitgestalten zu können. Auch im Kontext der Digital Humanities (DH) kann die Relevanz von CT nicht abgestritten werden. Erkenntnisse darüber, wie die Fähigkeit zum CT erlernt, in verschiedenen Kontexten angewendet und vermittelt werden kann, sind daher auch in den DH von besonderem Interesse. Doch was genau ist CT eigentlich? Und wie kann es erlernt und angewendet werden? Dies sind einige von vielen Forschungsfragen, mit denen sich das Center for Learning Computational Thinking (CLCT) der University of Southern Denmark (SDU) beschäftigt. Am 14. Dezember haben Nina Bonderup Dohn, Stig Børsen Hansen und Inger-Marie Falgren Christensen vom CLCT in ihrem Vortrag Learning computational thinking and the relation to digital humanities Einblicke in ihre Arbeit gegeben und eine Brücke zwischen CT und anderen Geisteswissenschaften sowie den DH geschlagen.
Betrachtet man das Forschungsfeld der Archäologie, ist es auf den ersten Blick schwer mit digitalen Werkzeugen zu verknüpfen – man stelle sich Forschende in einem weitläufigen Feld von Ausgrabungen vor, die kniend auf der Erde hocken und mit einem feinen Pinsel Fundstücke von unschätzbarem Alter und Wert mit größter Sorgfalt freilegen. Die Arbeit am Computer stellt zu einer solchen Szenerie den wohl größtmöglichen Kontrast dar. Und doch nimmt die Bedeutung dieses Geräts – und seiner Funktionen – in archäologischer Forschung stetig zu. Neben verschiedensten Tools der Modellierung von Fundstücken hob sich in den letzten Jahren eins besonders hervor: die Videogrammetry – ein Tool der 3D-Rekonstruktion auf Basis von Videostreams. Prof. Dr. Marco Block-Beritz präsentierte in seinem Vortrag “Videogrammetry in a nutshell” den Einsatz von Videogrammetry in archäologischer Forschung, indem er einen theoretischen Rahmen aufzeigte und die Umsetzung in der Praxis mit verschiedenen Forschungsprojekten vorstellte. Die Botschaft, die er dabei vermittelte, war eindeutig: Videogrammetry ist die Zukunft der 3D-Rekonstruktion in der archäologischen Forschung.
Der Titel des Vortrages, der uns am 24.11.2021 bevorstand „The Kölner Dome: Building and development of a DIY RTI dome“ ließ einige Archäoinformatik-Laien zunächst ins Schwanken geraten. Es handelte sich nämlich nicht um einen Vortrag über eine Rekonstruktion des Kölner Doms, sondern um einen praxisnahen Bericht über den Bau und die Entwicklung eines sogenannten RTI Domes. Sebastian Hageneuer, der selbst an der Universität zu Köln am Institut für Archäologie beschäftigt ist, führte uns an diesem Abend zunächst in die allgemeine Technologie des RTI ein und klärte auf, was genau sich hinter einem solchen Dome verbirgt. Im zweiten Teil seines Vortrags berichtete er dann mit großem Spannungsbogen von seinen Versuchen der letzten Jahre, einen RTI Dome selbst zu bauen. Lesenswert ist auch sein eigener Blogpost zu diesem Thema.