Von Wissensgraphen, dem Salm’schen Sternenhimmel und wie man nachhaltig Wissen schafft

Forschungsdaten beschäftigen jene, die Wissen schaffen. Heutzutage gehört es zur wissenschaftlichen „best practice“, sich über das Erstellen und Veröffentlichen FAIRer digitaler Daten Gedanken zu machen. Neben FAIRification stehen in unterschiedlichen Institutionen nun auch Linked Open Data und das Semantic Web auf der Karte. So baut NFDI4Memory beispielsweise einen Wissensgraphen für die historische Forschung auf.

Im Rahmen meiner Masterarbeit mit dem Titel „Seuls les petits corpus ont le secret des petits corpus – Explorative, Automated Analysis and Presentation of the Correspondence of French Writer Constance de Salm (1767–1845) in a Semantic Web Approach“ erforsche ich den Mehrwert von Wissensgraphen in der Speicherung und Nachnutzung der Korrespondenzdaten.

Der Fokus liegt auf der Verwendung kleinerer Korpora, die aus ebenso kleineren Digitalisierungsprojekten stammen. Da insbesondere big data und große Massendigitalisierungsvorhaben ins Rampenlicht gerückt sind, soll die Masterarbeit die Bedeutung von small data hervorheben. Wissensgraphen sollen die Forschungsdaten der Korrespondenz nicht nur für ein größeres Anwendungspublikum öffnen, sondern auch durch neue, explorative Visualisierungen Zugänglichkeit für Laien ermöglichen.

Forward to the past: Was bis dahin geschah

Eine erste Einführung zur Auswahl des Korpus sowie zu den Grundlagen von Linked Open Data und FAIR habe ich bereits in einem füheren Blogpost gegeben, den ich im Rahmen meines zweimonatigen Praktikums am Deutschen Historischen Institut in Paris (DHIP) verfasste. Ein kurzer Recap:
Die Korrespondenz Constance de Salm (1767-1845) zeigt den digitalen Bestand von ca. 11.000 Dokumenten aus den Lebzeiten der französischen Schriftstellerin. Sie selbst war davon überzeugt, dass auch die Nachwelt an ihren Briefen interessiert sein würde. Eine eigene Edition hat sie zwar nicht in Gänze veröffentlicht, jedoch lag sie mit ihren hellseherischen Fähigkeiten goldrichtig. Hier sind wir, 178 Jahre später, und fragen uns, was Constance de Salm eigentlich so korrespondierte und jonglieren mit Forschungsdaten zu ihrer Person.
Die Grundsätze von FAIR sind in der Datenbasis bereits zentral umgesetzt. Auf der Website sind Faksimile der Briefe, Metadaten und weitere Inhalte einsehbar. Verknüpft mit GND, VIAF und GeoNames sind sie auch schon der perfekte Nährboden für Wissensgraphen.  

Im Anschluss an die Arbeit während des Praktikums folgten zwei Teilschritte. Zum einen bewarb ich mich mit dem Thema beim Posterwettbewerb um den Peter-Haber-Preis, der in einer ersten Runde auf der Digital History Tagung 2023 in Berlin stattfinden sollte. Dass ich einige Monate später tatsächlich auch meine Masterarbeit über selbiges Thema schreiben durfte, wusste ich zu dem Zeitpunkt noch nicht. Dazu später mehr.

Zum anderen flossen die Vorarbeiten in eben diese Masterarbeit. Im früheren Blogpost drohte ich Constance de Salm mit einem Wiedersehen, und so meldete ich im März tatsächlich die Abschlussarbeit zu genau diesem Thema an.
Dem Salm’schen Sternenhimmel stand nichts mehr im Wege!

Im Rahmen eines einmonatigen Forschungsaufenthalts am DHIP konnte ich in Zusammenarbeit mit der Digital History Abteilung und der Archivarin des Hauses Kernaspekte meiner Masterarbeit diskutieren und mein weiteres Vorgehen anpassen. Zu der Zeit stellte ich sogar meine Website fertig. Diese konnte ich direkt im Rahmen eines Workshops zu Digital History, den ich durchführte, durch Studis und Mitarbeitende des DHIP testen lassen. Das Feedback zum Projekt brachte mich auf neue Ideen und zeigte Problemherde, die es zu beheben galt.

Buckle down, let’s start this thesis: Zusammenfassung der Ziele der Masterarbeit

Zentral untersucht das Projekt das Potenzial der Umwandlung einer bestehenden Datenbasis in ein standardisiertes, verknüpftes, offenes Datenmodell unter Verwendung des Semantic Web, von Ontologien und Wissensgraphen. Darüber hinaus soll eine neue explorative Suchmöglichkeit für die Korrespondenz in Form einer interaktiven Wissensgraph-Visualisierung einen neuen Zugang zu den Daten ermöglichen. Die zentrale Forschungsfrage lautet also: “Wie können LOD-Ansätze und Wissensgraphen die Nachnutzbarkeit und visuelle Darstellung von Forschungsdaten aus kleineren Projekten verbessern?”. Dazu bietet die Arbeit ein Proof of Concept am Beispiel der Korrespondenz Constance de Salm. Aufgrund des relativ kurzen Zeitrahmens und den Ein-Personen-Working-Group geschuldeten Grenzen besteht das kleine Korpus nicht aus 11.000 Dokumenten, sondern aus 2.031 Briefmetadaten, die ich LOD-fizierte, sowie aus neun Transkriptionen von Briefabschriften, die ich semi-automatisch erstellte und mittels Text Mining analysierte. Der finale Wissensgraph soll somit sowohl die ursprüngliche Metadaten als auch zusätzlich extrahierte Informationen umfassen.

Dafür implementierte ich einen wiederverwendbaren, semi-automatischen Workflow mit Tools wie Protégé, GraphDB, Neo4j und der Skriptsprache Python. Er involviert Methoden zur Transformation, Anreicherung und Darstellung von Briefen und ihren Metadaten. Text Mining, wie Sentiment- oder Schlüsselwortanalysen, ermöglichen die Generierung zusätzlichen inhaltlichen Wissens, das dann mittels genanntem Workflow seinen Weg in den Wissensgraphen findet. Das Endziel ist eine interaktive Wissensgraphvisualisierung auf einer eigens implementierten Website. Durch neuartig sichtbare Zusammenhänge in den Daten, so beispielsweise durch die Datenstruktur als RDF-Wissensgraph oder die daraus resultieren Netzwerkvisualisierungen, sollen mehr Personen angesprochen werden, die sich nicht durch alle 11.000 Briefe einzeln klicken möchten oder können, um einen Eindruck über die Inhalte der Korrespondenz zu bekommen.

Ein Bonus? Die Möglichkeiten der Verknüpfung, Indexierung, Visualisierung und Analyse des Korpus unter Verwendung semantischer Webtechnologien. Der resultierende Wissensgraph fungiert als Tor zur Aufdeckung verborgener Muster in den Daten.

Wieso das Ganze?

Wie im Fall von Constance de Salm und ihrer digitalisierten Korrespondenz hat die Edition von Briefen und deren Veröffentlichung eine lange Tradition und unterliegt den Veränderungen und Innovationen der technischen Möglichkeiten. Von Ausgaben in Büchern, hin zu begleitenden CD-ROMs oder, wie wir es heute kennen, digitalen Editionen im Web. Zum Standard gehören Transkriptionen, Bilddigitalisate, annotierte XML-Dateien, hübsche, nützliche Indexsuchen, und und und…

Halten wir also fest: Digitale Briefeditionen generieren laufend digitale Forschungsdaten.

Da die generelle Menge der von der Menschheit produzierten (digitalen) Daten jedes Jahr zunimmt und die Technologie immer weiter fortschreitet, müssen Konzepte entwickelt werden, um all diese Daten auf nachhaltige Weise zu verwalten, insbesondere bei Projekten, die von öffentlichen Einrichtungen finanziert werden. Mit diesen wachsenden Möglichkeiten der digitalen Methoden wachsen zugleich die Ansprüche an Forschende und ihr Datenmanagement. Betroffen sind hiervon auch bereits abgeschlossene Digitialisierungsprojekte in den Geisteswissenschaften und Bibliotheken. Neben den besonderen Charakteristika geisteswissenschaftlicher Daten, die Forschende berücksichtigen müssen, sollen Lösungen wie die FAIR-Prinzipien oder LOD dazu dienen, der großen Menge an unstrukturierten und kaum wiederverwendbaren Daten im Internet entgegenzuwirken. Somit soll nämlich eines verhindert werden: Dass immer mehr der Forschungsdaten im schwarzen Loch der “Dark Data” enden.

Der Digitalisierungsprozess macht vor Nichts halt und beeinflusst auf verschiedenen Ebenen das “Wie”: Wie forschen wir? Wie gehen wir mit Briefen um? Wie arbeiten wir digital mit ihnen, und wie werden Forschungsergebnisse nachhaltig und sichtbar?

Arbeitsschritte und Momente der Verzweiflung

So dynamisch wie ich mir mein finales Datenmodell vorstellte, gestalteten sich stattdessen zunächst die Arbeitsschritte. Wie üblich bei Digitalisierungsprojekten und anderen Bereichen der Digital Humanities war das Motto “flexibel sein”. Löste ich ein Problem, eröffnete sich direkt das nächste. Dabei lernte ich nicht nur viele verschiedene Tools und Software kennen, die ich vorher nicht auf dem Schirm hatte, sondern entwickelte ein Gefühl für methodologische Sackgassen. Aber fangen wir ersteinmal mit den unterschiedlichen Projektphasen an:

Am Anfang stand natürlich der organisatorische Krimskrams. Projekt- und Zeitplanung, Sammlung von Werkzeugen, die für die Umsetzung notwendig waren, und so weiter.

Die ersten zwei Monate beschäftigte ich mich vor allem mit den technischen Anforderungen und der Umsetzung der Visualisierung des Wissensgraphen.  Neben Protégé, das ich zum Ontologieaufbau verwendete, griff ich auch auf GraphDB zurück. Da es bei beiden jedoch keine Option zur Einbettung in eine eigene Website gibt, musste ich Alternativen testen. Mit (bis dato) rudimentären Fähigkeiten in JavaScript ausgestattet, surfte ich durchs Web und stieß auf unterschiedliche Lösungen: Gephi, Cytoscape und diverse JavaScript-Bibliotheken, die meinen Horizont meilenweit überstiegen. Bei einem funktioniert der RDF-Import nicht, beim anderen ist die Unterstützung des entsprechenden Plugins vor zwei Jahren ausgelaufen. Klasse!
Kurz vor der Kapitulation (es würde wohl doch nur bei einem Gif bleiben) betrat Neo4j den Ring. Zwar ist Neo4j ein Graphdatenbankmanagementsystem für Labeled Property Graphs und nicht für RDF-Graphs^[1], aber es gibt ein Tool für diverse interaktive Graphvisualisierungen, die eine wirklich niedrige Einstiegsschwelle haben. Gepaart mit einer umfangreichen Dokumentation war ich sicher: Ça va aller!

Nachdem dies nun also gesichert war, konnte ich fortfahren. Dazu gehörte die semi-automatische Tranksription einiger Briefe, sowie ihre Analyse via Text Mining. Selbstverständlich wartete bereits die nächste Hürde: Constance de Salms unleserliche Handschrift. Während dieser Projektphase verbrachte ich gerade einen Monat am DHIP. Ich beauftragte Französisch-Muttersprachlerinnen mit der Transkription einiger Briefe und siehe da, selbst geschulte Archivarinnen hatten große Probleme mit den Dokumenten. Es lag also nicht nur an Transkribus^[2] oder mir (zum Glück), sondern zeichnet sich als strukturelles Hindernis ab. Das ist natürlich für die weitere Projektplanung insofern relevant, als dass die originalen Briefe schwer transkribierbar sind.^[3]

Dementsprechend versuchte ich es mit den Abschriften, die andere Schreiber:innen für Constance de Salm von ihren Briefen anfertigten. Hier erzeugte Transkribus sehr gute Ergebnisse, die ich durch einige manuelle Korrekturen ausbesserte und für das Text Mining nutzen konnte. In der vorletzten Runde durchliefen alle transkribierten Texte zwei Text-Mining-Verfahren für die Extraktion von Schlüsselwörtern und die Sentimentanalyse, sodass ich anschließend die zusätzlichen Informationen in den Graphen einfügen konnte. In der letzten Runde wurden alle in den ersten Phasen erzeugten Daten zusammengeführt und eine endgültige Betaversion der Website erstellt, die einen interaktiven, durchsuchbaren Graphen, Ontologiedefinitionen und weitere Informationen über das Projekt enthält. Außerdem ließ ich eine Gruppe von Studierende und Forschende am DHIP die Betaversion auf ihre Benutzerfreundlichkeit testen.

Nach dem Forschungsaufenthalt in Paris hatte ich alle praktischen Teile abgeschlossen und konnte mit dem Schreiben der Masterarbeit beginnen.

Ergebnisse, Poster

Die Ergebnisse können sich alle Interessierten auf der Website anschauen. Zu den wichtigsten Ergebnissen gehören die erfolgreiche Umwandlung der Datenbasis in einen standardisierten LOD-Ansatz, die Entwicklung eines Wissensgraphen, die Transkription einer Teilmenge von Briefen und die Integration von Text Mining-Ergebnissen in den Graphen sowie die Implementierung einer Website. Mit Konzepten des Semantic Web, Ontologien und Wissensgraphen überführte ich die zuvor proprietären Daten in offene Formate (CSV, RDF/XML), wodurch die Datenbank zwei weitere LOD-Sterne gemäß Berners-Lee’s Modell erhält. Der Graph befindet sich noch im Aufbau und ist derzeit ein Prototyp. Das Gleiche gilt für die Website, die eine Betaversion ist.

Die neue visuelle Darstellung zeigt Briefe nicht mehr einzeln (als Einträge in Zeilen oder Imagedigitalisate), sondern als miteinander verbundene Einheiten in einem Netz von Informationen. Neben der Gewährleistung der Zugänglichkeit und Wiederverwendbarkeit historischer Daten versuche ich, mit diesem Projekt ein Beispiel für die mögliche Präsentation von Forschungsergebnissen zu setzen.

Und nun nochmal zum Poster und dem Peter-Haber-Preis. Wie ich bereits berichtete, bewarb ich mich aus Neugierde mit dem Poster für die Digital History Tagung 2023 und war wirklich positiv überrascht, als ich dann im Mai 2023 von Paris nach Berlin fahren durfte, um eben dieses Poster dort zu präsentieren. Und es ging auch noch eine Runde weiter nach Leipzig auf den Historiker(:innen)-Tag 2023. Anfang September reichte ich meine Masterarbeit ein, die sich aus den Ideen aus dem Praktikum und dem Poster entwickelte, und konnte dann mit dem abgeschlossenen Projekt tatsächlich Ergebnisse in Form des Posters vorstellen. Während des fünfminütigen Pitchs, der bestimmen würde, wer mit 300€ Preisgeld nach Hause fährt, ließ ich bei zittrigen Händen fast meine Notizen fallen. In einem Text reich an Metaphern zu Sternen, Sternkonstellationen, Sternatlanten und all den schönen Mustern, die der Mensch im Nachthimmel sieht, unterstrich ich die Relevanz von Wissensgraphen für die historische Forschung. Was soll ich sagen? Die Magie der Sterne und Constance de Salms charmante Art haben gewirkt – das Projekt holte den ersten Platz.

Zukunftsmusik

Da diese großen Meilensteine nun hinter mir liegen und ich mit diesem Blog zunächst ein Kapitel beende, stellt sich natürlich die Frage: What next?

Es gibt noch viel, viel zu tun. Neben der Erstellung eines Modells für die automatische Transkription der Briefe ist die Weiterentwicklung des Prototypen des Wissensgraphen unabdingbar. Seien es die Implementierung einer besseren Visualisierung mit mehr Suchmöglichkeiten, die Erweiterung des Wissensgraphen oder die Anwendung anderer Text Mining Verfahren… Der Salm’sche Sternenhimmel ist noch lange nicht verglüht.

1. Der Unterschied: Labeled Property Graphs (LPGs) und RDF sind beides Strukturen, die Daten in graphischer Form beschreiben. Sie unterscheiden sich jedoch im Kern der Datenmodellierung, der Schemata und der Abfragesprachen. In LPGs werden Graphen als Knoten, Kanten und Eigenschaften definiert und nicht als Subjekt-Prädikat-Objekt-Tripel wie in RDF. Entitäten und Beziehungen können flexible, unterschiedliche Eigenschaften haben, die weniger von einem festen Schema abhängig sind. Die übliche Abfragesprache für LPGs ist Cypher anstelle von SPARQL. [↩]
2. Ich verwendete Transkribus Lite. [↩]
3. Für mögliche spätere Projekte gilt dies also auch zu beachten. Das Training eines geeigneten Modells für die automatische Transkription ist unabdingbar, jedoch auch eine Mammutaufgabe. [↩]

---

---