Data, Data, there to Crawl, Who’s the Fairest of Them All?

Des cirCONSTANCEs plus faires – Von Korrespondenznetzwerk zu Wissensgraph mit der Briefedition »Constance de Salm«  

Die Gemeinsamkeit zwischen Energy Drinks, die ich während meines Praktikums am DHIP getrunken habe, und der Arbeit an einer digitalen Briefedition?
Beides kann die Herzschlagrate schlagartig erhöhen.
Aber: Auch das Stichwort „Recycling“ spielt hier eine Rolle. Forschungsdaten und ihre Nachnutzbarkeit werden immer wieder diskutiert; und das nicht nur im Seminar “Methoden der Digital Humanities” an der Uni Trier…

Offene und faire Daten – Etwas Theorie als Apéritif

Für viele Disziplinen, die bereits traditionell und analog mit Daten arbeiten bzw. diese erzeugen, sind Digitalisierung, Linked Open Data und FAIRification wichtige Themen^[1]. Bereits zu Beginn eines Projekts sollte die Zukunft der Forschungsdaten bedacht werden. Dabei geht es auch darum, den Umgang mit Daten transparent(er) zu gestalten. Ähnlich wie beim Recyclen meiner etlichen Energy-Drink-Dosen, sollten auch die Forschungsdaten, möglicherweise in neuer Form, weiterleben können, nachdem sie von Forschenden verzehrt—ich meine natürlich verwendet—wurden. FAIR steht dabei für findable, accessible, interoperable und reusable. Diese Grundprinzipien der GO FAIR Organisation beschreiben, wie Forschende mit Daten hantieren sollten.

Bereits 2005 kreierte Tim Berners-Lee mit seinem Ansatz der 5 Stars of Open Data einen Meilenstein für Überlegungen zur Verlinkung von (Forschungs)daten.

Die Korrespondenz der Constance de Salm

In der digitalen Briefediton der Constance de Salm (CdS), einer Schriftstellerin des 19. Jahrhunderts, die tüchtig korrespondierte, ist FAIR bereits zentral umgesetzt. Auf der Website sind Faksimile der Briefe, Metadaten und weitere Inhalte einsehbar.
Aber welche Schritte kann man gehen, wenn nun FAIRe Daten vorliegen? Kann man sie noch fairer gestalten, indem man weitere Open Data–Sternchen vergibt?

Ganz plump behauptet… ja, genau das sollte das Ziel sein! Es geht also darum, eine bereits bestehende Sammlung an Daten, in diesem Fall der Korrespondenz, in ein noch breiteres Feld einzuordnen. Durch eine solche Kontextualisierung, die bei Berners-Lee mit fünf Sternchen und somit mit der Höchstpunktzahl ausgezeichnet ist, eröffnen sich innerhalb eines Projektfeldes weitere Sphären.
Jedoch ist der Sprung zwischen den Stufen häufig nicht einfach zu bewältigen und vor allem ist eine vollendete “Sternchenauszeichnung” aufwendig. Dies ist besonders dann der Fall, wenn viele verschiedene Fronten bei den Daten vorliegen.

Schritt für Schritt Richtung Sternenhimmel

Eine Anmeldung zur Nutzung der Datenbank ist nicht mehr notwendig, alle Scans sind ohne Wasserzeichen online einsehbar. Um die Nutzung im französischsprachigen Raum zu ermöglichen, wurden alle Texte der Website und die Datenbankfelder übersetzt. Die Korrespondenz kann nun unter einer französischen Weboberfläche konsultiert werden. Zugleich wurden die Erschließungsdaten aus dem Projekt mit Normdaten angereichert: Die Personenamen sind mit ihren GND- und VIAF-Einträgen verknüpft, die Ortsangaben mit der URL von GeoNames. Die Erschließungsdaten wurden außerdem in den Briefverbundkatalog correspSearch, eingespielt und die angereichterten Daten bei Zenodo hinterlegt

Überarbeitung, Datenkuratierung und Fairification

Wie dieses Zitat zeigt, wurden bei der Datenaufbereitung der CdS-Korrespondenz bereits einige FAIRe Schritte gemacht: Nicht nur sind die (Meta)daten maschinenlesbar und offen (also auch in einem nicht-proprietären Format) auf Zenodo und correspSearch verfügbar, sondern sind sie auch noch mit Normdaten verknüpft.
Diese Aufbereitung ist, selbstverständlich, nicht allumfassend möglich gewesen. So haben einige Personen, die in der Korrespondenz auftreten, noch keinen GND– oder VIAF-Eintrag. Zusätzlich gab es durch nicht-normierte Daten mit Zusatzinformationen zum Stand oder Beziehung zu CdS teilweise Vereinheitlichungs- und Identifikationsprobleme. Neben Personen- und Ortsnamen sind teilweise übrigens auch Sach- bzw. Schlagwörter der Briefe durch GND-Identifier ausgezeichnet.

Was zunächst möglicherweise wie ein Nachteil wirkt, ist keineswegs als einer zu verstehen. Während meines Praktikums im September und Oktober 2022 am DHIP hatte ich das Vergnügen, die Welt der Constance de Salm genauer kennenlernen zu dürfen. Mein Einblick in das Datenuniversum der CdS-Korrespondenz gestaltete sich sehr vielfältig und ich wurde stets von Mareike König dabei unterstützt, ausbauende Konzepte zur Korrespondenz zu entwerfen.

Und dann?

Ursprünglich war die Idee, ein paar einfache Visualisierungen (wie Histogramme) zur Korrespondenz zu erstellen. Da die Metadaten zu den Briefen bereits tabellarisch als CSV vorliegen, ging das mit Hilfe von Python und einigen externen Modulen schnurstracks.^[2] Zu möglichen Komponenten der Visualisierung gehörten unter anderem auch ein paar Vorverarbeitungschritte – so zum Beispiel das Filtern der teilweise normierten Daten nach Jahrzehnten oder Ausstellungsorten.

Nachdem ich diese Visualisierung erstellt hatte, habe ich mich gefragt, wie überschaubar und aussagekräftig sie tatsächlich ist. Besonders bei Korrespondenzen ist Netzwerkförmigkeit ein wichtiges Thema. Wie also kann ich Mareikes Visualisierungs-Wünschen gerecht werden und gleichzeitig meinen eigenen Sternenstaub einbringen? Genau, ich erstelle ein interaktives Netzwerk der Korrespondenz!

Und in der Praxis?

Ein interaktiver Graph der CdS-Korrespondenz

Wer mich kennt, weiß, dass ich sehr verbissen bin. Das heißt, dass die Idee des CdS-Netzwerks mich bis zum Ende des Praktikums nicht ruhen ließ.
Als erstes überführte ich also die tabellarischen Daten in einen Graphen mit Knoten und Kanten. Die Knoten repräsentieren die einzelnen Personen in der Korrespondenz, während die Kanten sie miteinander verbinden und somit den Brief(-wechsel) symbolisieren. Informationen über den Briefwechsel, zum Beispiel zum Datum oder Jahrzehnt, zu dem der Brief versendet wurde, sind in den Kanten gespeichert und können genutzt werden, um den Graphen zu filtern. Informationen zu den Personen können außerdem in den Knoten gespeichert werden.

Aber wie sinnvoll ist eine solche Visualisierung auf lange Sicht?

Zunächst ist der Graph, zu sehen im eingefügten Gif, nur lokal auf einem eigenen Server zugreifbar. Es steht kein konkretes Datenmodell hinter der Visualisierung und die Metadaten sind nicht (semantisch) strukturiert hinterlegt (außerhalb der Tabelle). Somit handelt es sich um eine, vom Rest des Webs, abgekapselte Darstellung. Sie ist vielleicht ein Augenschmaus und eröffnet neue Ebenen des Nachdenkens über die CdS-Korrespondenz – bringt aber keinen übergreifenden Mehrwert.

Da ich im vergangenen Semester eine Veranstaltung mit dem Titel “Semantische Technologien” belegt hatte, und zusätzlich Veranstaltungen zu den Themen “Methoden der Datenerschließung” und “(Digitale) Edition und Publikation”, geisterten noch viele Stichwörter in meinem Kopf herum. Nicht nur Datenmodellierung, Semantic Web, Knowledge Graphs^[3] und Ähnliches, auch Begriffe wie Nachnutzbarkeit, Benutzerfreundlichkeit oder Interoperabilität stimmten mich nachdenklich. Was kann ich tun, um sowohl die CdS-Korrespondenz mit neuen Inhalten zu ergänzen als auch die Außenwelt am Mehrwert der Forschungsdaten teilhaben zu lassen?
Zunächst habe ich mich also ans Recherchieren gemacht und bin den Spuren RDFizierter Korrespondenzen gefolgt.^[4] RDF, das Resource Description Framework, ist ein Datenmodell, das die Beziehung von Entitäten in Tripeln beschreibt^[5].

RDF is a standard for data interchange that is used for representing highly interconnected data. Each RDF statement is a three-part structure consisting of resources where every resource is identified by a URI. Representing data in RDF allows information to be easily identified, disambiguated and interconnected by AI systems

What is RDF?

Erste Schritte, wie das Überführen der vorliegenden tabellarischen Daten in ein passendes semantisches Modell, habe ich in einem Lucidchart-Board festgehalten und so meine Gedanken strukturiert.

Ein passendes Datenmodell in OWL bzw. RDF habe ich in Ansätzen entworfen, um – aus der CSV-Formatierung herausgelöst – Objekte besser identifizieren zu können (bspw. mit vorgegebenen Namespaces wie FOAF, RDF Schema, OWL, usw.). Ein vorgegebenes, bereits bestehendes Vokabular beschreibt und kontextualisiert Datensätze in der Korrespondenz, ohne dabei extrem spezialisiert zu sein. Deswegen wollte ich kein gänzlich eigenes Vokabular entwerfen, da die Wiederverwendung die Lesbarkeit und Benutzer*innenfreundlichkeit gewährleisten kann. Einige eigene Properties waren trotzdem notwendig.

The beauty of reusing existing vocabularies (assuming that you choose popular and standardised ones), is that any developer, data scientist, or user who has worked with RDF before can likely already understand and work with [y]our data.

Reusing Standard RDF Vocabularies

Mein Ansatz war also folgender: Ein Korrespondenz-Knowledge Graph. Ein Graph, der Wissen rund um die CdS-Korrespondenz enthält und codiert. Zentrum des Ganzen sind demnach die Briefe, Personen, Themen und Orte, die bereits erfasst sind. Diese erhalten, in einer übergeordneten Ontologie^[6], eigene Klassendefinitionen. Mit Hilfe eines bestehenden Vokabulars können dann Tripel erstellt werden, die den Briefwechsel beschreiben.

Formal ontologies provide humans and machines an accurately understandable context or meaning. Ontologies ensure a common understanding of information. In practice, ontologies, describe and link disparate and complex data.
Ontologies enable reuse of foundational concepts in (upper) ontologies that are domain independent and can be used across domains.

OWL 101

Die bereits genormten Metadaten sollen dazu genutzt werden können, weitere Informationen rund um die Korrespondenzen zu reconciliieren. Ich entschuldige hier den OpenRefine-Jargon und hänge eine kurze Definition aus der Dokumentation an.

Reconciliation is the process of matching your dataset with that of an external source. Datasets for comparison might be produced by libraries, archives, museums, academic organizations, scientific institutions, non-profits, or interest groups. You can also reconcile against user-edited data on Wikidata or other Wikibase instances, or reconcile against a local dataset that you yourself supply.

Reconciling in OpenRefine

In OpenRefine kann man nämlich nicht nur Daten aufräumen, indem man zum Beispiel redundante Einträge entfernt oder Informationen korrigiert, sondern auch Datensammlungen anreichern und mit externen Quellen verknüpfen. Probleme, die ich bereits in oberen Abschnitten erwähnt habe, können so halb-automatisch verbessert und ein Reconciling durchgeführt werden.

Warum ist Reconciling wichtig?

Das Reconciling von Informationen aus externen Daten kann nur dann gelingen, wenn Übereinstimmungen gefunden werden. Außerdem können Einträge zu Personen, die durch Tippfehler o.Ä. im Namen doppelt vorkommen, vereinheitlicht werden.
Nicht-genormte Metadaten habe ich so mit Hilfe von Python und OpenRefine harmonisiert. Das Reconciling lieferte außerdem (über Wikidata und die GND) weitere Verbesserungsoptionen. Zugleich erfolgte eine Rück-Korrektur von Personennamen und Sachbezeichnungen in der Korrespondenz-Datenbank FuD. Es geht also nicht nur darum, Personen- oder Ortsnamen eindeutig identifizierbar zu machen. Auch der Sachindex, in dem die Themen der Briefe zusammengefasst sind, kann mit Hilfe einer Verlinkung auf externe Datensammlungen besser definiert werden.

Ergebnisse und weitere Ziele – SPARQLing Stars

Die RDFizierung ermöglicht eine maschinen- und menschenlesbare, semantische Vernetzung und Anreicherung der Daten. Außerdem ordnet sie den eigenen Datenbestand, idealerweise, in bereits bestehende Kontexte ein (ganz nach dem Fünf-Sterne-Motto: All the above [u.a. RDFication], plus: Link your data to other people’s data to provide context). Korrespondenzen zwischen Personen sind nicht mehr nur Kanten oder Einträge in einer Tabelle. Informationen über den Briefwechsel und die beteiligten Personen können manuell und automatisch erfasst und erforscht werden. Das Reconciling von weiteren Informationen erlaubt das Hinzufügen oder Korrigieren von Aspekten, beispielsweise das Ergänzen von genauen Geburtsdaten der Korrespondierenden oder die Wikidata-Identifier des Themenvokabulars. Darüber hinaus können Knowledge Graphs, die in RDF beschrieben sind, mit SPARQL durchsucht werden.^[7] Dies ist super nützlich, wenn man die eigenen Daten für andere Nutzer*innen abfragbar machen will. Außerdem erlauben föderierte Queries (federated queries) das Hervorholen weiterer Informationen basierend auf bestehenden Einträgen.

One major advantage of linked open data is that we can use not only the information stored within our graph. Instead, because we have matched most of our values to existing WikiData-Items (where possible), we are able to write queries linking to different Knowledge Bases like WikiData [or others that also link to WikiData-Items].

Federated queries

Des Weiteren können gesammelte Daten aus der eigenen Welt in andere Repositorien gespeist werden. Beispielsweise könnten Informationen, die im FactGrid oder auf Wikidata zu Constance de Salm fehlen, durch die Verbindung über Identifier eingespeist werden.^[8]
Etwas, das natürlich auch nennenswert ist: Die Visualisierung eines Wissensgraphen ermöglicht Nutzenden, die Netzwerkförmigkeit und die Interkonnektivität der Korrespondenz zu erfassen. Ziel des ganzen Mini-Projekts während meines Praktikums war also ein Zusammenführen der Informationen mit Hilfe von Skripten und Software, um einen Wissensgraphen zu bauen und zu visualisieren^[9].
Mein absolutes Endziel ist das Einbauen des Wissensgraphens in die CdS-Website. Dann könnten Nutzende Anfragen zur Korrespondenz stellen (unter anderem auch mit föderierten Queries) und den Graphen so auch visuell filtern. Anfragen von Nutzenden könnten im Hintergrund durch SPARQL Queries auf die Datenbasis angewandt werden und so die gewünschten Infos hervorbringen.

Der zeitliche Rahmen meines Praktikums hat leider nicht dafür gereicht, alle Ziele umzusetzen. Die ersten Ansätze und Ergebnisse sind jedoch in meinem GitHub-Repository zu finden. Auch eine umfängliche, technische(re) Beschreibung meines Vorgehens und meiner Ideen kann dort nachgelesen werden.
Somit ist dieser Blogbeitrag ein weiterer kleiner Wrap-up dessen, was ich während meines zweimonatigen Praktikums gemacht habe. Es war spannend, aus der Datenmodellierungs-Perspektive auf die Briefedition der Constance de Salm zu blicken. Die Aufgaben im Kontext der Korrespondenz während des Praktikums haben auch meinen Umgang mit der Theorie, die wir an der Universität Trier im Rahmen des Studiengangs Digital Humanities (M.Sc.) zum Umgang mit Forschungsdaten lernen, verändert. FAIRe Daten, Forschungsdatenmanagement und Wissenschaftskommunikation in der Realität zu erleben ist nämlich eine Erfahrung, auf die einen kein Lehrbuch vorbereiten kann. Somit folgt zum Abschluss noch ein kleiner Werbeblock für Praktika am DHIP und richtet sich vor allem an fellow DH-Studis: Macht ein Praktikum in der Abteilung der digitalen Geschichtswissenschaften am DHI Paris, Leute!
Damit verabschiede ich mich vorerst von der Arbeit an der Korrespondenz.
But: You haven’t seen the last of me, Constance de Salm. À bientôt, vielleicht mit weiteren Ideen zu Sternchen…

1. Dieser Blogbeitrag ist keine Einführung in die Welt von Datenmodellierung, Graphen oder Wissensnetzwerken. Hilfreiche Einführungsliteratur verlinke ich in den Fußnoten in entsprechenden Absätzen. Einen ersten Überblick zum Thema Forschungsdatenmanagement gewährt zum Beispiel das Konsortium NFDI4Culture oder die DFG. [↩]
2. Mehr dazu in meinem GitHub-Repo. [↩]
3. Zusammenfassungen zum Thema Semantic Web und Knowledge Graphs können hier nachgelesen werden, weitere interessante Beiträge gibt es unter “Fundamentals” zu lesen. [↩]
4. Inspiration bot unter anderem das Paper Reassembling the Republic of Letters – A Linked Data Approach, aber auch die Forschung des MiMoText-Projektes. [↩]
5. Weitere Infos für Newbies: Ontotext: What is RDF? oder W3 Semantic Web – RDF [↩]
6. Mehr zu Ontologien kann man hier nachlesen. [↩]
7. Structured SPARQL ist die Standard-Query-Language für RDF Daten und generell Linked Open Data-Datensammlungen. [↩]
8. Mehr dazu kann hier nachgelesen werden. Zum Einspeisen von Daten auf Wikidata oder FactGrid kann es nötig sein, einen Account und eigene Instanzen zu erstellen. [↩]
9. Software und Skripte, wie z.B. GraphDB, sind ausführlicher in meinem GitHub-Repository beschrieben. [↩]

---

---