Ist die Geschichtswissenschaft eine datenverarbeitende Disziplin? Gedanken nach dem Datathon 

Von Charlotte Feidicker

Vom 24.-26.11.2021 habe ich am „Datathon“ des Deutschen Historischen Instituts Paris und dem Deutschen Forum für Kunstgeschichte Paris teilgenommen [1]. Kernpunkt war die Auseinandersetzung mit vier Datensets in Kleingruppen mit eigens entwickelten Fragestellungen:

    • Das Adressbuch der Deutschen in Paris von 1854 [2],
    • die briefliche Korrespondenz zwischen Henri Fantin-Latour und Otto Scholderer [3],
    • die briefliche Korrespondenz von Constance de Salm [4],
    • deutsch-französische Kunstvermittlung [5].
Datathlon Paris, Diskussion über die Datensätze in der Großgruppe. (Foto: DHI)
Datathlon Paris, Diskussion über die Datensätze in der Großgruppe. (Foto: DHI)

Unterstützt wurde der Arbeitsprozess durch „Databuddies“, „Dataexperts“ und thematisch passenden Break-out-Sessions. Eine ausführliche Dokumentation der gruppenspezifischen Fragestellungen, verwendeten Software sowie der einzelnen Arbeitsschritte und Ergebnisse werden in 2022 durch die Organisatoren online veröffentlicht.

Aufgrund des expliziten Fokus’ auf digitale Datensätze kann die Frage aufgeworfen werden, ob es sich bei der Geschichtswissenschaft um eine datenverarbeitende Disziplin handelt. Als „digital“ können historische Daten bezeichnet werden, wenn sie von Computern verarbeitet werden können. Auf einer ersten Ebene sind Daten jedoch unabhängig davon, ob sie digital oder analog vorliegen, Abstraktionen einer Wirklichkeit, die bestimmte Aspekte einer geisteswissenschaftlichen Fragestellung repräsentieren. [6]

Für Historiker:innen ist dieser Gedanke nicht neu, denn Quellen bilden immer nur einen exemplarischen Ausschnitt vergangener Verhältnisse ab. Ihre Interpretation ist mit Blick auf eine bestimmte Fragestellung und durch die Anwendung einer bestimmten Methode immer interessengeleitet und kann niemals objektiv sein. Eben dies gilt auch für digitale Daten. Sie werden auf Grundlage einer bestimmten Eingabe, eines bestimmtes Ziels und bestimmter Werkzeuge erstellt. Unter anderen Voraussetzungen könnten auch andere Daten entstehen. [7]

Kleingruppenarbeit: XML/RDF

Diese Perspektive wurde in unserer Kleingruppe deutlich. Wir interessierten uns für die Möglichkeiten der Transformation von XML-Daten in RDF-triples. Als Datensatz wählten wir das Adressbuch mit Einträgen über Deutsche, die im 19. Jhd. In Paris gelebt haben, weil dieser Datensatz in XML heruntergeladen werden konnte. Mit einem XSLT-Script haben wir u.a. abgefragt, welche Personen im 19. Arrondissement von Paris lebten. Das Ergebnis dieser Abfrage bildete einen neuen Datensatz, den wir mit einem weiteren XSLT-Script in RDF-triples umwandelten. Die gleiche Abfrage konnte auch in Python geschrieben werden – hier kamen verschiedene Vorkenntnisse innerhalb der Gruppe besonders spürbar zusammen.

Anschließend entschieden wir uns, die Straßennamen, die den Wohnort der extrahierten Personen bezeichneten, mit der jeweiligen Wikidata-Normdatei anzureichern. Dieser Schritt konnte auf Grundlage der CSV-Datei in openRefine weitgehend automatisch realisiert werden. In einem dritten Schritt wurden die IDs der Normdateien im CSV-Format mit den passenden Straßennahmen in der XML/RDF-Datei mit einem Python-Script gematcht.

Zusammenfassend haben wir nach zweieinhalb Tagen einen Teil der Daten aus einem XML-Format in RDF-Triples umgewandelt und diese sogar teils mit Normdateien angereichert. Der so erstellte, „neue“ Datensatz kann wiederum als Grundlage für eine Weiterverarbeitung, z.B. in Netzwerkanalysen oder die Einbindung in größere Zusammenhänge der Semantic-Web-Technologie dienen, um geschichtswissenschaftliche Fragestellungen zu beantworten. [8]

Digital History als Methode der Geschichtswissenschaft

Das digitale Arbeiten rückt das jeweils angewendete methodische Vorgehen einer geschichtswissenschaftlichen Forschungsarbeit stärker in den Mittelpunkt. Denn es bedarf explizit einer kritischen Betrachtung jedes (algorithmischen) Arbeitsschrittes, der Interpretationen von Abfrageergebnissen und der (Weiter-)Entwicklung bestehender Werkzeuge für genuin geschichtswissenschaftliche Bedürfnisse. [9]

Datathon Paris, Stichwortsammlung: Welche Tools zur digitalen Datenverarbeitung kennen wir und worüber möchten wir mehr erfahren? (Foto DHI)
Datathon Paris, Stichwortsammlung: Welche Tools zur digitalen Datenverarbeitung kennen wir und worüber möchten wir mehr erfahren? (Foto DHI)

Teilweise eröffnet die Anwendung digitaler Werkzeuge Analysemöglichkeiten, die analog undenkbar waren. Sich in diese Möglichkeiten hineinzudenken und sie gleichzeitig kritisch zu befragen, verändert die Geschichtswissenschaft sicherlich. Dennoch: Die Geschichtswissenschaft war schon immer eine datenverarbeitende Disziplin.

Dieser Perspektivwechsel verändert das eigene Arbeiten und fragt auch im Analogen ständig: Auf welchen Datensatz greift meine maschinelle Abfrage resp. gedankliche Operation zu? Wie ist der Datensatz entstanden und was beinhaltet er? Ferner: Wonach frage ich und zu welchem Ergebnis komme ich auf dieser Grundlage (nicht)?

Der Datathon hat all diese Gedanken nicht aus dem Nichts hervorgerufen. Aber er hat mir gezeigt, dass es andere begeisterte Menschen gibt, die ebenfalls für die Auseinandersetzung mit digitalen Daten in der Geschichtswissenschaft brennen. Zweieinhalb Tage haben wir die beschriebenen Leitfragen in Reinform gelebt. Die Arbeit in den Kleingruppen hat verdeutlicht, dass es viele Fragen an einen Datensatz geben kann und dass es viele Wege gibt, diese Fragen mit Hilfe von digitalen Tools oder Scripten zu beantworten.


Weitere Informationen und Links:

[1] https://www.dhi-paris.fr/newsroom/detailseite/news/detail/News/ausschreibung-datathon.html 

[2] https://zenodo.org/record/5524880#.YZ9IyJHMIU0

https://github.com/evirevialle/Reporting_Adressbuch/tree/main/src

https://dhiha.hypotheses.org/2742

http://adressbuch1854.dh.uni-koeln.de/

[3] https://github.com/dfk-paris/datathon_2021/blob/main/correspondance.zip

https://github.com/dfk-paris/datathon_2021/tree/main/correspondance

README : https://github.com/dfk-paris/datathon_2021

[4] 10.5281/zenodo.5707821

https://dhdhi.hypotheses.org/6646

[5] https://github.com/dfk-paris/datathon_2021/blob/main/DFKV.zip

https://github.com/dfk-paris/datathon_2021/tree/main/DFKV

README: https://github.com/dfk-paris/datathon_2021

[6] Schöch, Christof: Big? Smart? Clean? Messy? Data in the Humanities, in: Journal of Digital Humanities 2 (2013), S. 2-13, hier S. 4.

[7] Ibid., S. 3f.

[8] Die hier lediglich ausschnitthaft dargestellten Arbeitsschritte können neben den geschriebenen Scripten in der ausführlichen Dokumentation nachgelesen werden: https://github.com/baitu/datathon21

https://stylo.huma-num.fr/article/61a099c983301d0013ed6dd4/preview

[9] Rehbein, Malte: “L’historien de demain sera programmeur ou il ne sera pas”. (Digitale) Geschichtswissenschaften heute und morgen, in: Digital Classics Online 4 (2018), S. 23-43, hier S. 27.


Schreibe einen Kommentar

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

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.