Mining and Modeling Text: Literaturgeschichte als Wissensnetzwerk
Maria Hinzmann & Christof Schöch, mit Beiträgen von Andreas Lüschow, Julia Röttgermann, Katharina Dietz und Anne Klee
https://mimotext.github.io/lod-lithist
Gliederung
(1) Einführung in
'Mining and Modeling Text'
MiMoText: Überblick
Was sind (literaturhistorisch) relevante
(und extrahierbare) Informationen?
- Nachweissysteme
- Metadaten: Autoren, Werke, Verlage, etc.
- Keywords in der Bibliographie...: Setting, Themen, Protagonisten
- Primärtexte
- Handlungsorte
- Figurennamen
- Topics
- Anteil direkter Rede
- Textlänge
- uvm.
- Fachliteratur
- Handlung, Inhalte, Themen
- Wertungen von Autor:innen und Werken
- Beziehungen zwischen Autor:innen und Werken
Was ist oder wie funktioniert Literaturgeschichte?
- Ziele
- Sammeln und Dokumentieren literaturgeschichtlicher Fakten
- Liefern von Erklärungen für die Entwicklung von Literatur
- Organisationsprinzipien
- Nationen, Perioden, Bewegungen/Strömungen, Genres
- Ähnlichkeiten und Unterschiede
- Kontinuitäten und Wandel
- Erklärungen für literarische Entwicklungen
- kultureller oder soziohistorischer Kontext
- innere Dynamiken des literarischen Systems
(2) Literaturgeschichte als Wissensnetzwerk
Modellierungsansatz: Linked Open Data (LOD)
Grundprinzip
- Linked Open Data
- große Menge einfacher Aussagen
- Subjekt, Prädikat, Objekt (Tripel)
- zentrale literaturgeschichtliche Subjekte
- Personen (Autor:in, Herausgeber:in, Verleger:in etc.)
- Publikationen (Primärtext, Fachliteratur etc.)
Aussagetypen (1)
- person AUTHOR_OF publication
- publication PLACE_OF_PUBLICATION place
- publication DATE_OF_PUBLICATION year
Aussagetypen (2)
- publication NARRATIVE_LOCATION place
- publication EXTENT_WORDS number of words
- person/publ. DESCRIBED_AS (adjective | noun)
- person/publ. SIMILAR_TO person/publ.
- person/publ. DISSIMILAR_TO person/publ.
- person/publ. INFLUENCED_BY person/publ.
- publication ABOUT keyword
Ziele
- Unser Ziel: "Wikidata für die Literaturgeschichte"
- literaturhistorisches Informationssystem
- LOD-Basis, SPARQL-Endpoint, Suchmaske
- Aber mit:
- viel spezifischerem Fokus (Romanliteratur 1750-1800)
- stark erweiterter Abdeckung (Autoren, Werke)
- stark erhöhter Aussagendichte
- systematischer Ontologie von Aussagentypen
- vielfältigen Anwendungsszenarien für die Literaturgeschichtsschreibung
(3) Mining -
Extrahieren von Informationen
Säule 1: Bibliographie du genre romanesque français
Martin / Mylne / Frautschi: Bibliographie
du genre romanesque français, 1751-1800, 1977
Welche Metadaten enthält diese Bibliographie?
- zusammenfassende Statistik
- ~1100 verschiedene Autor:innen
- ~2600 Einträge (Romane)
- ~58.000 Triples (ca. 22 pro Roman)
- weitere Informationen
- ~720 Romane in der 1. Person
- ~920 in 3. Person
- 2210 Einträge mit Angaben zum Inhalt
Säule 2: Primärliteratur (Romane)
- Pilotkorpus: ca. 100 französische Romane (1750-1800)
- Kodierung: in XML-TEI, mit Metadaten, nach ELTeC-Schema
- Analyse: Topic Modeling zur Identifikation von Themen
Das "roman18"-Korpus
Collection de romans français du dix-huitième siècle (1750-1800) /
Collection of Eighteenth-Century French Novels (1750-1800)
Topic Modeling - Erste Ergebnisse
Zwei "major topics"
"monarchy" "love"
Abgeleitete Aussagen ('statements')
- Candide IS_ABOUT "monarchie"
- Clarice IS_ABOUT "amour"
Säule 3: Sekundärliteratur (literaturwiss. Fachtexte)
3 Elemente für Extraktion von Aussagen aus Sekundärliteratur:
- Annotationsguidelines (basierend auf Datenmodell)
- manuelle Annotation: Generierung von Traingsdaten (in INCEpTION)
- Training: Machine Learning (in Python)
Annotationen auf 'Named Entity'-Layer
- Annotationen von Autoren und Werken (Entitäten -> Subjekt-/ObjektPosition in Aussagen)
- Disambiguierung von Entitäten über Knowledgebase-Anbindung (hier: Wikidata)
Annotation auf 'Predicate'/Relation-Layer
- "hasGenre" als Property bzw. Prädikat
- Subjekt verknüpft mit Wikidata-Identifier für "Bélisaire" (Q5005038)
- Objekt verknüpft mit Wikidata-Identifier für "novel" (Q8261)
(4) Modellierung - Repräsentation und Vernetzung von Wissen
Willard McCarty, Humanities Computing, 2005
"recursive modeling":
Modellierung als ein iterativer Prozess
Säule 1: Bibliographie als RDF
Säule 1: Statements aus Bibliographie
- Candide NARRATIVE_LOCATION "Europe"
- Candide NARRATIVE_LOCATION "Amérique"
- Candide IS_ABOUT "thèmes philosophiques"
Säule 2: Statements aus Topic Modeling
- Beispiel Topic Modeling
- Subjekt: Candide
- Prädikat: IS_ABOUT (schema.org/about; Wikidata "main_subject")
- Objekt: Topic "philosophie"
- LOD-Statements
- Candide IS_ABOUT 'philosophie'
- Candide IS_ABOUT 'monarchie'
Säule 2: Romananalysen (Topic Modeling)
Säule 3: Literaturgeschichtsschreibung
Candide ist das meistgelesene Werk Voltaires und war es wohl schon zu Lebzeiten des Autors. Als es 1759 in Genf erstmals im Druck erschien, wurde es zwar sofort verboten, aber doch nur mit dem Ergebnis, daß es im gleichen Jahr noch dreizehn Neuauflagen erlebte.
(Erich Köhler, Aufklärung II, 1984)
Säule 3: Aussagen aus Fachliteratur
- Aussagen in zitiertem Beispiel
- Candide PUBLICATION_DATE 1759
- Candide LEGAL_STATUS censored
- Candide RECEPTION_INTENSITY high
- weitere Aussagen:
- Candide GENRE novel; satire; utopia
- Voltaire TOPIC_INTEREST Gesellschaftskritik
- Voltaire INFLUENCED_BY Leibniz
(5) Fazit - Wissensnetzwerke aus und für Textanalysen
Wissensnetzwerk ('Knowledge Graph')
Herausforderungen
- Modellierung von "Meta-Tripeln" ('reification'; 'qualifier' etc.)
- {Voltaire AUTHOR_OF Candide} SOURCE Köhler_1984
- {Candide LEGAL_STATUS censored} TEMPORAL_SCOPE 1759-1765
- {[Subject] PREDICATE [Object]} RELIABILITY (low | middle | high}
- wenig Konsens in/über Literaturgeschichte; tendenziell Entkoppelung von 'Theorie' und 'Praxis'
- Standardisierung am Anfang (kein "literaturhistorisches CIDOC-CRM")
- Implementierung (über verschiedene Tools hinweg)
- Konkretisierung von Nutzungsszenarien
- Mehrsprachigkeit (z.B. NER Fachliteratur)
- Entwicklung kontrollierter Vokabulare (z.B. 'Themen'-Werte in Pilotprojekt)
Chancen von Wissensnetzwerken für die Literaturgeschichtsschreibung
- (1) Linked Open Data-Paradigma als Ansatz
- Pluralität von Perspektiven, Heterogenität der Quellen
- Referenzierung der Quellen ist möglich; gezieltere Suchoptionen in Abhängigkeit von Qualifiern insgesamt
- unsichere Informationen können berücksichtigt werden (Zuverlässigkeitsgrad "qualifizierbar")
- widersprüchliche, komplementäre Informationen können nebeneinander bestehen
- (2) Standardisierungsprozesse als Reflexionsanlass & Dialogpotential
- viele Fragen: Was sind in einer Disziplin / Community die relevanten Entitäten und Relationen? Welche Aussagetypen sind (jenseits von Metadaten) notwendig? Welche könnten nützlich sein?
- Metaperspektive auf disziplinären Diskurs
Textanalysen reflektierend-rekursiv?
Vielen Dank!
Fragen oder Kommentare?
Folien: https://mimotext.github.io/lod-listhist
Projekt: https://mimotext.uni-trier.de
Lizenz: Creative Commons Attribution (CC BY), 2020
Bonus-Folien
Ontologie-Auszug: Pilotprojekt ("thematische Aussagen")
Wikidata query
Kontrolliertes Vokabular
- Kern bzw. Basis: domänenspezifische Ressource für themat. Konzepte (Dictionnaire européen des Lumières. Hrsg. von Michel Delon, PUF, Paris, 1997.)
- Erweiterung
- temporäre Dynamik: Ergänzung von Konzepten (alle 3 Infoquellen)
- Prozess der Konsolidierung (u.a. über Identifier/Normdaten)
- work in progress: https://github.com/MiMoText/vocabularies/
Publikationen als Daten (prospektiv)
- Digital und Open Access
- Publikationen als (maschinenlesbare) Daten
- Reichhaltige Metadaten
- Explizite, semantisch kodierte Textstruktur
- Auszeichnung und Identifikation von Entitäten (Normdaten)
- Kernaussagen als LOD-Statements
- Alles in offenen Standardformaten
"Ziele der Literaturgeschichtsschreibung" (Borkowski/Heine 2013)
- zwei Konzeptionen
- Fokus auf Historisierung
- Fokus auf Herstellung von Gegenwartsbezügen
- Ziele der historisierenden Konzeption
- Rekonstruktion: Etablierung wahrer oder wahrscheinlicher Aussagen über Literatur
- Konsolidierung: Sammeln und Verbreiten des fundierten Wissensbestands
Machine Learning
- Material: sentences automatically annotated for named entities
- Further linguistic annotation (feature engineering)
- Provide manual annotations of sentences (training and evaluation)
- Learn patterns / probabilities for features indicative of a relation
- Generate relation annotations for all sentences
Romananalyse: Topic Modeling
Jannidis & Flanders, The Shape of Data in DH, 2019
"The term 'data modeling' in computer science is most typically used in a fairly restrictive sense for the modeling of relational databases, while the digital humanities has a more general understanding of the term: data modeling is the modeling of some segment of the world in such a way to make some aspects computable."
Wikibase: Candide
Wikibase: Aussagenstruktur S-P-O
Wikibase: Referenzierung von Aussagen
Mining and Modeling Text: Literaturgeschichte als Wissensnetzwerk Maria Hinzmann & Christof Schöch, mit Beiträgen von Andreas Lüschow, Julia Röttgermann, Katharina Dietz und Anne Klee https://mimotext.github.io/lod-lithist „Centrum für reflektierte Textanalyse“ (CRETA) | Online-Vortrag | 09.06.2021 Bericht aus laufendem Projekt am TCDH der Universität Trier Kollaboratives Projekt mit Beiträgen aus CL, Informatik, DH und LitWiss work in progress: alles in ständiger Bewegung Gefördert durch die Forschungsinitiative Rheinland-Pfalz