2.1. Die Gesetzesentwicklung

[9]Bis zum 1. März 2018 enthielt das UrhG keine gesonderte Erlaubnis, Werke zu Zwecken des TDM zu nutzen. Deswegen waren TDM-Analysen an urheberrechtlich geschützten Werken nur insoweit möglich, wie die Werke nicht kopiert oder weitergegeben wurden: Diese Handlungen sind nach den Regelungen in §§ 16, 19a UrhG urheberrechtlich relevant, die das ausschließliche Recht des Urhebers enthalten, sein Werk zu vervielfältigen und es öffentlich zugänglich zu machen. Eine ausdrückliche Erlaubnis[9] dieser Handlungen wurde im Jahr 2018 durch das Gesetz zur Angleichung des Urheberrechts an die aktuellen Erfordernisse der Wissensgesellschaft (UrhWissG) mit einem neuen § 60d UrhG geschaffen. Unter der Voraussetzung des rechtmäßigen Zugriffs erlaubt § 60d UrhG der nicht-kommerziellen wissenschaftlichen Forschung seither die Vervielfältigung (§ 16 Abs. 1 UrhG) und die öffentliche Zugänglichmachung (§ 19a UrhG) geschützter Werke zu Zwecken des TDM. Seitdem existiert im deutschen Urheberrecht erstmalig eine explizite Erlaubnis, geschützte Werke für das TDM auch umfangreich zu verarbeiten. Defizitär war bereits zu jenem Zeitpunkt, dass die Korpora zwar bei bestimmten Einrichtungen, darunter auch den in diesem Artikel adressierten Forschungsinfrastruktureinrichtungen, aufbewahrt werden durften, aber keine Möglichkeit bestand, die Korpora zu Zwecken von Anschlussforschungen nachzunutzen.

[10]Aufgrund des Gesetzes zum Urheberrecht im digitalen Binnenmarkt vom 7. Juni 2021[10] hat sich der Rechtsrahmen ein weiteres Mal verändert. Seitdem darf Forschung mit TDM auch zu anderen Zwecken als zur nicht-kommerziellen wissenschaftlichen Forschung (diese ist weiterhin in § 60d UrhG geregelt), z. B. in Unternehmen oder in der Presse, praktiziert werden, wenn auch in eingeschränktem Umfang (§ 44b UrhG).[11] Die Erlaubnis ist dabei nach wie vor an den rechtmäßigen Zugang gebunden. Dieser rechtmäßige Zugang liegt dann vor, wenn die genutzten Texte in Buchform vorliegen, im Internet frei abrufbar sind oder als E-Books lizenziert wurden.[12] Neu ist auch, dass jedenfalls für Vervielfältigungen im Rahmen von TDM nunmehr keine Vergütung mehr anfällt (§ 60h Abs. 2 Nr. 3 UrhG). Diese war zuvor durch die jeweiligen Einrichtungen zu tragen.

2.2. Die Erlaubnisse für Forschungsinfrastruktureinrichtungen

[11]§ 60d UrhG in seiner aktuellen Fassung erlaubt t es bestimmten privilegierten Personenkreisen und Einrichtungen, vollständige Werke zu Zwecken des TDM zu vervielfältigen (Abs. 1 bis 3) und die Vervielfältigungen (d. h. nicht die unveränderten Ursprungsmaterialien) für die gemeinsame wissenschaftliche Forschung bestimmt abgegrenzten Personenkreisen sowie einzelnen Dritten zur Überprüfung der wissenschaftlichen Forschung öffentlich zugänglich zu machen (Abs. 4 S. 1). Im Gegensatz zu seiner Vorgängernorm knüpft § 60d UrhG in seiner neuen Fassung nicht allgemein an nicht-kommerzielle wissenschaftliche Zwecke[13] an, sondern berechtigt Forschungsorganisationen (Hochschulen, Forschungsinstitute und sonstige Einrichtungen, die wissenschaftliche Forschung betreiben, hierzu zählen auch die in diesem Beitrag adressierten Forschungsinfrastruktureinrichtungen), sofern diese 1. nicht kommerzielle Zwecke verfolgen, 2. sämtliche Gewinne in die Forschung reinvestieren oder 3. im Rahmen eines staatlich anerkannten Auftrags im öffentlichen Interesse tätig sind. Public-Private-Partnerships, d. h. Kooperationen mit privaten Unternehmen, sind nur dann erfasst, wenn letztere keinen bestimmenden Einfluss auf die Forschungsorganisation haben und keinen bevorzugten Zugang zu den Forschungsergebnissen erhalten (§ 60d Abs. 2 S. 3 UrhG). § 60d Abs. 3 Nr. 1 UrhG benennt nunmehr auch ausdrücklich sogenannte Kulturerbe-Einrichtungen wie Bibliotheken, Museen, Archive und Einrichtungen im Bereich des Ton- und Filmerbes, wobei hier nicht an nicht-kommerzielle Zwecke, sondern an ihre öffentliche Zugänglichkeit angeknüpft wird. Individualforscher*innen sind weiterhin unter der Voraussetzung, dass sie nicht-kommerzielle Zwecke verfolgen, erfasst (§ 60d Abs. 3 Nr. 2 UrhG). Die öffentliche Zugänglichmachung steht unter der Voraussetzung der nicht-kommerziellen Zwecke, sodass auch die öffentlich zugänglichen Kulturerbe-Einrichtungen diese letztlich beachten müssen, um vom vollen Umfang der Erlaubnisse des § 60d UrhG zu profitieren. Die Zugänglichmachung ist jeweils zu beenden, wenn die gemeinsame Forschung oder die Überprüfung abgeschlossen ist (Abs. 4 S. 2).

[12]Die Befugnis zur Weitergabe der Korpora während der Forschungsarbeiten ist also deutlich enger gefasst, als es ein allgemeiner Verweis auf die öffentliche Zugänglichmachung (§ 19a UrhG) zur Folge hätte: Sie erlaubt die öffentliche Zugänglichmachung eines Werks in einer Weise, dass es »Mitgliedern der Öffentlichkeit von Orten und zu Zeiten ihrer Wahl zugänglich ist«. Das bedeutet, dass das Werk Personen zugänglich gemacht wird, die der Öffentlichkeit angehören, d. h. zu denen keine persönliche Beziehung existiert, vgl. § 15 Abs. 3 UrhG, und die einer »unbestimmten Zahl potentieller Adressaten« und einer »ziemlich großen Zahl von Personen« angehören.[14] Die Erlaubnis, Korpora während der TDM-Forschungsarbeiten weiterzugeben (§ 60d Abs. 4 S. 1 UrhG), bezieht sich hingegen nur auf bestimmt abgegrenzte, d. h. weiter eingegrenzte Personenkreise, die der Öffentlichkeit angehören. Bei Forschungsgruppen handelt es sich in der Regel nicht um eine Öffentlichkeit,[15] weswegen es auf diese Erlaubnis in den meisten Fällen nicht ankommt.

[13]Die TDM-Korpora dürfen gemäß § 60d UrhG so lange aufbewahrt werden, wie es für die Forschung oder für Überprüfungszwecke erforderlich ist. Die Dauer erfasst im Regelfall die von der guten wissenschaftlichen Praxis geforderten zehn Jahre,[16] sie kann im Einzelfall aber auch kürzer oder länger bemessen sein. Aufgrund der Wissenschaftsfreiheit unterliegt die Einschätzung der Aufbewahrungsdauer den Forschenden und ist nur eingeschränkt überprüfbar.[17]

[14]Eine Erlaubnis, die Korpora zur Aufbewahrung an Forschungsinfrastruktureinrichtungen weiterzugeben, ist nicht mehr ausdrücklich enthalten. Die Weitergabemöglichkeit kann allenfalls mittels einer extensiven Auslegung aus der Gesetzesbegründung abgeleitet werden, denn diese scheint von einer Aufbewahrung durch Kulturerbe-Einrichtungen auszugehen:[18] »Hiernach kann auch eine dauerhafte Speicherung erforderlich und folglich zulässig sein, insbesondere, wenn sie durch Kulturerbe-Einrichtungen und nicht durch die Forschungseinrichtung selbst erfolgt«.[19] Möglich ist aber in jedem Fall, die TDM-Projekte gleich von Beginn an auf zentralen Bibliotheksservern bzw. einrichtungsübergreifenden Servern anzusiedeln, sodass dort die Archivierung ohne eine gesonderte Übermittlung erfolgen kann. Dann bewegt man sich im Rahmen dessen, was die Gesetzesbegründung ausdrücklich enthält, und vermeidet gleichzeitig, das Korpus erneut zu vervielfältigen (§ 16 UrhG).

[15]Unklar ist aber weiterhin, ob zu Zwecken von Anschlussforschungen auf die Korpora zugegriffen werden kann. Gemäß § 60d Abs. 5 UrhG dürfen die Korpora (nach dem Gesetz jedoch nicht die unveränderten Ursprungsdaten)[20] so lange aufbewahrt werden, wie es für Zwecke der Überprüfung der Qualität der wissenschaftlichen Forschung oder für die Forschung selbst erforderlich ist. Das impliziert, dass es auch abseits der Überprüfung wissenschaftliches Interesse an den Korpora geben kann. Auch die DSM-Richtlinie setzt voraus, dass nach Abschluss der Forschungsarbeiten bzw. während der Langzeitarchivierung noch Interesse an weiterer Beforschung der Korpora bestehen kann:[21] »Die Nutzung zum Zwecke der wissenschaftlichen Forschung außerhalb des Text und Data Mining, etwa die Begutachtung unter wissenschaftlichen Fachkollegen und gemeinsame Forschungsarbeiten, sollte nach wie vor unter die Ausnahme oder Beschränkung im Sinne von Artikel 5 Absatz 3 Buchstabe a der Richtlinie 2001/29/EG fallen, sofern diese Bestimmung anwendbar ist.«[22] Für eine Nachnutzung der Korpora kommen neben den von Schöch et al. vorgestellten abgeleiteten Textformaten sogenannte Closed-Room-Zugänge[23] (§§ 60e Abs. 4, 60f UrhG) und die Erlaubnis der auszugsweisen Nutzung zu Zwecken der wissenschaftlichen Forschung (§ 60c UrhG) in Betracht. Nachfolgend werden diese beiden Optionen dargestellt und gegeneinander abgewogen.

[16]§§ 60e Abs. 4, 60f UrhG erlauben es Bibliotheken und anderen Kulturerbe-Einrichtungen wie öffentlich zugänglichen Museen, ihren Nutzer*innen Werke aus ihrem Bestand an Terminals in ihren Räumen für deren Forschung oder private Studien zugänglich zu machen (sogenannte Terminal-Schranke). Die Nutzer*innen dürfen sogenannte Anschlusskopien[24] im Umfang von zehn Prozent erstellen. Einzelne Werke geringen Umfangs[25] wie Beiträge aus wissenschaftlichen Zeitschriften dürfen hingegen vollständig genutzt werden. Auf Grundlage des § 60e Abs. 4 UrhG kann also durch Kulturerbe-Einrichtungen Vollzugriff gewährt werden, außerdem können die Anschlusskopien interessengerecht erstellt werden. Ein entscheidender Nachteil an § 60e Abs. 4 UrhG ist gleichwohl, dass jedenfalls der erste Zugriff auf die Werke nur an Terminals vor Ort erfolgen kann (sogenannte Closed-Room-Zugänge).[26]

[17]Anders verhält es sich mit § 60c UrhG, der Erlaubnisnorm für Zwecke der nicht-kommerziellen wissenschaftlichen Forschung, auf den sich das hier vorgestellte Konzept stützt. § 60c UrhG basiert auf Art. 5 Abs. 3 lit. a InfoSoc-Richtlinie, der den EU-Mitgliedsstaaten ermöglicht, in ihrem nationalen Urheberrecht Erlaubnisse von Vervielfältigungen und öffentlicher Zugänglichmachung »für Zwecke der wissenschaftlichen Forschung, sofern – außer in Fällen, in denen sich das als unmöglich erweist – die Quelle, einschließlich des Namens des Urhebers, wann immer das möglich ist, angegeben wird und soweit das zur Verfolgung nicht kommerzieller Zwecke gerechtfertigt ist« vorzusehen.

[18]§ 60c Abs. 1 Nr. 1 UrhG erlaubt es, zu Zwecken der nicht-kommerziellen wissenschaftlichen Forschung bis zu 15 Prozent von Werken und auch vollständige Werke geringen Umfangs zu vervielfältigen und an bestimmt abgegrenzte Personenkreise für deren eigene wissenschaftliche Forschung öffentlich zugänglich zu machen, d. h. weiterzugeben. Auf dieser Grundlage können geschützte Werke auf individuelle Anfrage teils vollständig, teils auszugsweise, weitergegeben werden, auch digital und ohne Ortsbindung. Nicht erlaubt ist allerdings, Werke für eine gesamte Einrichtung frei abrufbar zu machen.[27] Die nicht-kommerziellen Zwecke können auch bei Drittmittelforschung sowie dann vorliegen, wenn Forschende ihre Ergebnisse in einem Verlag veröffentlichen und Honorare erhalten, kommerzielle Zwecke sind aber jedenfalls dann anzunehmen, wenn Forschung betrieben wird, um Waren oder Dienstleistungen zu entwickeln und diese zu vermarkten.[28] Entscheidend ist bei der Bestimmung der nicht-kommerziellen Zwecke nicht die organisatorische Einrichtung oder Finanzierung, sondern, ob die jeweilige Nutzung auf Gewinnerzielung ausgerichtet ist.[29]

[19]Wenn Forschende also nach § 60c UrhG Texte auszugsweise zur Nachnutzung erhalten und diese anschließend für TDM im Sinne des § 60d UrhG nutzen, werden zwei Erlaubnisnormen, die auf unterschiedlichen Richtlinien beruhen (nämlich einerseits der InfoSoc-Richtlinie und andererseits der DSM-Richtlinie), miteinander kombiniert. Das ist rechtlich möglich.[30]

[20]Daneben entspricht die Nachnutzbarkeit auf Grundlage des § 60c UrhG auch den Interessen der Urheber*innen, das gilt insbesondere deswegen, weil § 60c UrhG vergütungspflichtig ist (§ 60h UrhG) und dadurch ein finanzieller Ausgleich für die Rechteinhaber*innen hergestellt wird, schließlich ist für eine Nutzung gemäß § 60d UrhG ein rechtmäßiger Zugang erforderlich, der zumeist einen finanziellen Ausgleich für den*die Urheber*in enthält. § 60c UrhG setzt diesen rechtmäßigen Zugang allerdings nicht voraus. Die Vergütung stellt also einen Ausgleich der urheberrechtlichen Interessen her. Insgesamt ermöglicht § 60c UrhG insofern eine flexiblere Korpus-Nachnutzung als §§ 60e Abs. 4, 60f UrhG, weswegen sich das in XSample entwickelte Konzept auf § 60c UrhG stützt.

2.3. Rahmenbedingungen für das Auszugskonzept

[21]Zusammenfassend orientiert sich das hier vorgestellte Auszugskonzept an folgenden rechtlichen Einschränkungen, die von Forschungsinfrastruktureinrichtungen, die Korpora mit geschützten Texten bereitstellen möchten, zu prüfen sind:

[22]Einbeziehung der Forschungsinfrastruktureinrichtungen: Forschungsinfrastruktureinrichtungen, die die Korpora aufbewahren und gegebenenfallsbereitstellen, sollten von Beginn an in die Projektkonzeptionen integriert werden.

[23]Aufbewahrungsdauer: Forscher*innen, die die Korpora bereitstellen möchten, sollten eine der Forschung angemessenen Aufbewahrungsdauer für die Korpora vorschlagen. Wenn diese von den von der DFG vorgeschlagenen zehn Jahren[31] abweicht, sollte eine explizite Begründung erfolgen.

[24]Inhalt der Korpora: Die gespeicherten und gegebenenfalls bereitgestellten Korpora dürfen nicht die unveränderten Ursprungsdaten enthalten, es sei denn, die betreffende Einrichtung hat hierzu entsprechende Lizenzen erworben.

[25]Nachnutzung: Nachnutzer*innen müssen nicht-kommerzielle, wissenschaftliche Zwecke verfolgen. Die Verifizierung kann dadurch erfolgen, dass Interessierte sich in Bezug auf die Zugehörigkeit zu einer Forschungseinrichtung verifizieren und zudem versichern, die Daten nur für die nicht-kommerzielle wissenschaftliche Forschung zu verwenden.[32] Die Korpusauszüge dürfen nur bestimmt abgegrenzten Personenkreisen zugänglich gemacht werden, d. h. auf individuelle Anfrage.

[26]Umfang der Korpusauszüge: Korpusauszüge dürfen maximal 15 Prozent ganzer Werke betragen, kurze Werke wie z. B. Aufsätze aus Zeitschriften (maximal 25 Seiten) können dagegen vollständig herausgegeben werden.

3.1 Workflow-Akteur*innen

[28]XSample unterscheidet zwischen drei Akteur*nnen im Workflow: Erstens den Infrastrukturbetreiber*innen, zweitens den Datenanbieter*innen / -lieferant*innen und drittens den Nachnutzer*innen. Infrastrukturbetreiber*innen gehören zu den oben adressierten Forschungsinfrastruktureinrichtungen und bieten die infrastrukturelle Komponente zur Ablage und Verwaltung der verschiedenen im Workflow anfallenden Daten. Eine zentrale Bedeutung kommt hierbei der Authentifizierung von Nutzer*innen und einem feingranularen Rechtemanagement zu, um die beschriebenen rechtlichen Bedingungen (z. B. Zugriffsbeschränkung für bestimmt abgegrenzte Personenkreise) erfüllen zu können. Neben der reinen Datenablage dient das zugrundeliegende Repositorium mit seiner Weboberfläche gleichzeitig als zentraler Einstiegspunkt für die weiteren beteiligten Akteur*innen. Als Datenlieferant*innen werden im XSample-Kontext sämtliche Personen oder Personenkreise bezeichnet, welche (gemäß § 60d UrhG) TDM auf geschützten Werken zum Zwecke nicht-kommerzieller Forschung durchführen und die dabei erzeugten Korpora zur Nachnutzung durch XSample verfügbar machen möchten. Die Gruppe der Nachnutzer*innen schließlich beinhaltet die nach § 60c UrhG bestimmt abgegrenzten Personenkreise, denen auszugsweise Zugang zu geschützten Werken zum Zwecke nicht-kommerzieller Forschung gewährt werden darf.

3.2 Infrastruktur: Repositorium und Auszugsgenerierung

[29]Innerhalb des XSample-Workflows kommen zwei getrennte Serverkomponenten zum Einsatz: das Repositorium und die Auszugsgenerierung. Beide stehen unter der Verwaltung der Infrastrukturbetreiber*innen und verfügen über jeweils eigene Weboberflächen.

[30]Das Repositorium dient vorwiegend der Ablage und Verwaltung der Korpus- und eventuell Ursprungsdaten und wird innerhalb des Prototyps durch eine Dataverse-Instanz realisiert. Die Dataverse Software ist ein Open-Source-Projekt auf Basis des JSF-Frameworks mit einer aktiven Community aus Entwickler*innen und regelmäßigen Nutzer*innen. Dataverse bietet die Möglichkeit, abgelegte Daten auf verschiedene Weise zu organisieren oder zu gruppieren, und verfügt überdies über eine Rechteverwaltung, die es erlaubt, bis auf die Ebene einzelner Datensätze zu entscheiden, ob ein komplett öffentlicher Zugang (Public Domain), das Teilen mit einzelnen Individuen oder Gruppen (Shared Domain), oder eine für andere uneinsehbare Ablage (Private Domain) gewünscht ist. Dies ist im Kontext von XSample besonders relevant, da zwar während eines laufenden Forschungsprojekts § 60d UrhG das Teilen der Daten innerhalb von Forschungsgruppen und zu Überprüfungszwecken erlaubt (Shared Domain), allerdings nach Projektende diese in ihrer Gesamtheit nicht mehr (ausdrücklich) öffentlich zugänglich gemacht oder geteilt werden dürfen (Private Domain). Zusätzlich unterscheidet Dataverse zwischen der Auffindbarkeit von Ressourcen und dem direkten Zugriff auf dieselben. Somit lassen sich die Metadaten als eigenständiger Datensatz veröffentlichen, während die eigentlichen Dateien innerhalb des Datensatzes aber vor jeglichem direkten Zugriff abgeschirmt sind.

[31]Neben dem Repositorium stellt die Auszugsgenerierung als eigener Server die zweite Komponente im XSample-Workflow dar. Sie leitet Nutzer*innen auf einer Weboberfläche durch die individuelle Auszugskonfiguration und stellt am Ende des XSample-Workflows die im Auszug enthaltenen Daten als Download zur Verfügung. Dieser Server basiert ebenfalls auf JSF und kommuniziert mit der Dataverse-Instanz über eine Webschnittstelle, um auf dort abgelegte Ressourcen und Metadaten zuzugreifen. Um auf nicht-öffentliche Datensätze zugreifen zu können, benötigt der XSample-Server einen eigenen Account für das entsprechende Dataverse, der allerdings nur Leserechte beinhalten muss, denn der XSample-Server selbst schreibt oder modifiziert keine Daten im Repositorium. Zur Integration des Servers in die bestehende Dataverse-Infrastruktur wird dieser in der Dataverse-Instanz als sogenanntes external tool registriert. Diese Schnittstelle in Dataverse ermöglicht es, für bestimmte Dateitypen oder Datensätze externe Server zu registrieren, die den Nutzer*innen dann als zusätzliche Optionen neben Download oder Betrachtung angezeigt werden (vgl. Abbildung 2). Dies ermöglicht eine Integration der XSample-Komponenten, ohne Code-Modifikationen an Dataverse vornehmen zu müssen, und erlaubt überdies, komplett auf eine eigene Authentifizierung von Nutzer*innen von Seiten des XSample-Servers zu verzichten, da diese bereits bei Dataverse vorgeschaltet ist. Auf diese Weise werden die zur Nachverfolgung der Nutzer*innen nötigen Daten bei der Weiterleitung zum XSample-Server sogleich mit übermittelt.

3.3 Datenaufbereitung für die Auszugsgenerierung

[32]Bevor Auszüge aus einem Korpus generiert werden können, sind mehrere Vorbereitungsschritte notwendig:

[33]Zulässige Formate: Alle für die Auszüge zu verwendenden Dateien des Korpus müssen in einem nicht öffentlich zugreifbaren Bereich (Private Domain) des Repositoriums abgelegt werden. Im Kontext der Prototypenimplementierung ist bisher nur eine begrenzte Anzahl von Formaten für Ursprungsdaten (PDF, EPUB oder TXT) und Annotationen (TEI-Subset und CoNLL-ähnliche tabellarische Formate) vorgesehen. Während der Konzeptphase lag hierbei der Fokus auf EPUB und TXT Primärdaten, sowie Annotationen in einem Subset des weit verbreiteten TEI-Formats aus dem zweiten Nutzungsszenario (Kapitel 4.2). Bedingt durch zeitliche Überschneidungen verschob sich dieser Fokus im Verlauf der Implementierungsphase auf Daten des ersten Nutzungsszenarios (Kapitel 4.1), konkret auf PDF-Dateien und das tabellarische Format des CoNLL-2009-Shared-Tasks. Werden unveränderte Ursprungsdaten eingegliedert, ist von Seiten der Infrastrukturbetreiber*innen und Datenanbieter*innen auch zu prüfen, ob für die verwendeten Werke Archivierungsrechte oder Lizenzen mit äquivalenten Berechtigungen vorliegen, wie in Kapitel 2.3 beschrieben.

[34]Alignierung: Neben den reinen Annotationen im Korpus muss auch eine Abbildung einzelner Annotationen auf die zugrunde liegenden Segmente der Ursprungsdaten geliefert werden, um beide innerhalb von XSample alignieren zu können. Da beispielsweise im Fall von Dateien im PDF-Format Auszüge zwangsläufig als Sammlung vollständiger Seiten erzeugt werden und die Zusammensetzung der Auszüge mittels Suchanfragen auf Basis der Annotationen gesteuert werden kann, müssen diese Annotationen (bzw. die dazugehörigen Suchergebnisse) auf die ursprünglichen Seiten abbildbar sein. Aktuell sieht der XSample-Prototyp für diese Alignierung entweder die Verwendung zusätzlicher Annotationsebenen direkt im Korpus vor, oder aber das Erstellen und Mitliefern zusätzlicher tabellarischer Dateien, welche eine simple Abbildung relevanter Segmentierungseinheiten seitens der Annotationen (z. B. Sätze) auf die primären Segmente der Ursprungsdaten enthält. Abhängig vom jeweiligen Projektinhalt und dem Anteil manueller Vorverarbeitung kann dieser Vorbereitungsschritt eine große Hürde darstellen. Dies sollte schon frühzeitig im Projekt eingeplant werden, damit die notwendigen und nicht selten ›format-fremden‹[33] Informationen nicht im Forschungsprozess verloren gehen und entweder durch manuellen Zusatzaufwand oder Anpassung automatischer Verarbeitungsschritte wiederhergestellt werden müssen. Die Ablage der Alignierungsinformationen erfolgt analog zu obigen Ursprungs- und Annotationsdateien in einem nicht-öffentlichen Bereich.

[35]Erzeugung eines Manifests: Als letztes muss ein sogenanntes XSample-Manifest (siehe Beispielcode unten) erzeugt und im Repositorium abgelegt werden. Dieses Manifest ist eine Datei im JSON-LD Format, die Metadaten zu den einzelnen für die weitere Verarbeitung relevanten Ressourcen im Korpus enthält. Primär bestehen diese Informationen aus Angaben zum Ablageort, Format und Umfang einzelner Dateien. Daneben sind aber auch Informationen zu Rechteinhaber*innen der einzelnen Werke im Korpus enthalten, damit der XSample-Server bei der Auszugsgenerierung der Namensnennungspflicht nachkommen kann. Im Manifest kann zusätzlich ein fixer Bereich für die statische Auszugsgenerierung festgelegt werden. Dies erlaubt es Datenlieferant*innen beispielsweise, besonders interessante Passagen als Teil des Standard-Auszugs zu definieren. Der Umfang des statisch definierten Auszugs muss nicht zwangsläufig die vollen 15 Prozent ausschöpfen, wenn interessante Inhalte auch in Auszügen geringeren Umfangs präsentiert werden können. Somit können Nachnutzer*innen den Rest ihrer Quote beispielsweise für zielgerichtete Varianten der Auszugserstellung nutzen. Derzeit erfolgt die Erstellung eines XSample-Manifests komplett händisch. Als zukünftige Erweiterung ist ein Assistent geplant, der Datenlieferant*innen auf der XSample-Webseite dabei helfen soll, Inhalte für Manifeste zu definieren, ohne direkt im JSON-LD-Format schreiben zu müssen. Im Gegensatz zu den restlichen Dateien muss das Manifest öffentlich auffindbar sein (Shared oder Public Domain), um den Nachnutzer*innen als Einstiegspunkt für die Auszugsgenerierung zu dienen. Da Dataverse für veröffentlichte Ressourcen DOIs (Digital Object Identifier) vergibt und ein breites Spektrum an deskriptiven Metadaten unterstützt, kann ein Manifest auch zu Zitationszwecken oder allgemein zur Verlinkung des damit verbundenen Korpus genutzt werden. Es fungiert somit als öffentlicher Platzhalter für die nicht direkt einsehbaren geschützten Korpusinhalte.

[36]Beim folgenden Beispiel handelt es sich um ein Manifest mit Informationen zu Primärdaten im Repositorium, Rechteinhaber*innen und voreingestellten Werten für die statische Auszugsgenerierung. Das beschriebene Beispielkorpus ist eine 100-seitige PDF-Datei (verlinkt im "xmp:primaryData"-Block), bei der die ersten 10 Prozent im Falle von statischer Auszugsgenerierung geliefert werden sollen (spezifiziert im "xmp:staticExcerpt"-Block). Aus Platzgründen ist der "xmp:manifests"-Block für zusätzliche Korpus-Metadaten ohne Inhalt dargestellt:

{
   "@type": "xmp:manifest",
   "@context": "http://www.uni-stuttgart.de/xsample/json-ld/manifest",
   "xmp:description": "Plain manifest with no customization (first 10%)",
   "xmp:corpora": [
  	 {
  	  "@type": "xmp:corpus",
  	  "xmp:primaryData": {
  		 "@type": "xmp:dataverseFile",
  		 "xmp:segments": 100,
  		 "xmp:sourceType": "xmp:pdf",
  		 "xmp:id": 26
  	  },
  	  "xmp:legalNote": {
  		 "@type": "xmp:legalNote",
  		 "xmp:author": "The XSample Team",
  		 "xmp:title": "XSample Test Corpus",
  		 "xmp:publisher": "The XSample Project",
  		 "xmp:year": 2021
  	  },
  	  "xmp:description": "100 page test corpus",
  	  "xmp:id": "root"
  	 }
   ],
   "xmp:staticExcerpt": {
  	 "@type": "xmp:span",
  	 "xmp:begin": 0,
  	 "xmp:end": 10,
  	 "xmp:spanType": "xmp:relative"
   },
   "xmp:manifests": []
}

[38]Sind alle Vorbereitungsschritte abgeschlossen, können Nachnutzer*innen über die Dataverse-Oberfläche (Abbildung 2) eine Zugriffsanfrage auf die XSample-Manifeste stellen. Wenn diese durch die Infrastrukturbetreiber*innen akzeptiert wird, dürfen die Nachnutzer*innen auf den XSample-Server (Abbildung 3) weitergeleitet werden, wo die eigentliche Konfiguration und Erstellung der Auszüge erfolgt. Da einzelnen Nutzer*innen nach § 60c UrhG jeweils nur maximal 15 Prozent eines geschützten Werkes ausgegeben werden dürfen und diese Obergrenze auch über wiederholte Anfragen hinweg eingehalten werden muss, bedarf es einer sehr genauen Protokollierung bereits ausgegebener Auszüge. Zu diesem Zweck werden die eindeutig identifizierbaren Dataverse-Accounts verwendet, was wiederum zur Folge hat, dass zur Nutzung des XSample-Services zwingend ein Account im jeweils verknüpften Dataverse-Repositorium notwendig ist und unregistrierte Dritte keinen Zugriff erhalten können.

Abb. 2: Dataverse-Oberfläche für ein XSample-Manifest. Rechts unten kann die Weiterleitung auf den XSample-Server angestoßen werden. [Gärtner 2021]

3.4 Auswahl der Auszüge

Abb. 3: Startseite des XSample-Servers nach Weiterleitung aus dem zugehörigen Dataverse und Validierung der Manifest-Datei. [Gärtner 2021]

[39]Nach der Weiterleitung auf den XSample-Server erfolgt zunächst eine Validierung des Manifests auf formale Korrektheit und Verfügbarkeit der verlinkten (Korpus-)Ressourcen. Anschließend haben Nutzer*innen die Möglichkeit, zwischen drei Arten der Auszugsgenerierung (vgl. Abbildung 3, unten links) auszuwählen: Als simpelste Lösung kann ein statisch definierter Auszug (beispielsweise die ersten 10 Prozent oder ein anderer im Manifest definierter Abschnitt) gewählt werden. Wird mehr Kontrolle über die Zusammensetzung des Auszugs gewünscht, bietet die zweite Alternative (vgl. Abbildung 4) die Möglichkeit, die Auszugsgrenzen innerhalb der Ursprungsdaten frei zu definieren (z. B. die Seiten 20 bis 33). Auch hier wird eine zusammenhängende Sequenz an Seiten / Segmenten geliefert. In jedem Falle stehen die Auszugsdaten am Ende des Workflows direkt als zip-Datei zum Download zur Verfügung, zusammen mit bibliografischen Informationen zu den Auszügen und den Rechteinhaber*innen.

Abb. 4: Grafische Oberfläche zur flexiblen Auswahl der Auszugsgrenzen. [Gärtner 2021]

[40]Die ersten beiden Verfahren der Auszugsgenerierung bieten den Nachnutzer*innen verhältnismäßig wenig Flexibilität bei der Auswahl der Textausschnitte, sodass sie für bestimmte Forschungsanliegen ungeeignet sind. Dies ist insbesondere dann der Fall, wenn sich die Nutzer*innen nur für sehr spezifische Phänomene oder Passagen interessieren. Um dem gerecht zu werden, wird als dritte Alternative eine Korpusanfrageschnittstelle[34] integriert, die Suchanfragen auf Basis der im Korpus enthaltenen Annotationen ermöglicht. Dadurch lassen sich beispielsweise gezielt bestimmte syntaktische Konstruktionen finden[35], die dann als Kandidaten für die Auszugserstellung genutzt werden (vgl. Abbildung 5). Basierend auf diesen Suchergebnissen und den Alignierungsinformationen werden die auszugebenden Segmente der Primärdaten (zumeist Seiten) bestimmt. Somit lässt sich sicherstellen, dass die Auszüge optimal auf die individuellen Bedürfnisse der Nutzer*innen zugeschnitten sind. Da Nutzer*innen zu diesem Zeitpunkt der Auszugsgenerierung noch kein Zugriff auf die geschützten Daten gewährt werden kann, wird lediglich eine visuelle Verteilung der Treffer und möglicher Auszugssegmente angeboten. Etablierte Such- und Visualisierungswerkzeuge wie ANNIS[36] oder KorAP[37] stellen zwar umfangreiche Such- und Exportmöglichkeiten zur Verfügung, bieten aber nicht diese notwendige Abschirmung der Daten bis zur finalen Auszugserstellung. Die den beiden erwähnten und anderen bestehenden Suchwerkzeugen zugrunde liegenden Anfragesprachen und -Schnittstellen könnten allerdings als Alternativen zu den im Prototypen integrierten Optionen für ICARUS und ICARUS2 dienen.

Abb. 5: Exemplarische Oberfläche zur Auszugsgenerierung mittels Suchanfrage basierend auf enthaltenen Annotationen. Die Verteilung der Suchergebnisse über das Korpus wird direkt visualisiert und Nutzer*innen anschließend die Möglichkeit gegeben, die für sie relevanten Segmente exakt auszuwählen. [Gärtner 2021]

3.5 Nachhaltigkeit

[41]Um eine langfristige Nachnutzung des XSample-Servers zu gewährleisten, muss dieser dauerhaft an der Universitätsbibliothek Stuttgart (in ihrer Rolle als Forschungsinfrastruktureinrichtung) als Dienst zur Verfügung stehen. Wie in Kapitel 3.2 beschrieben, wird an der Universität Stuttgart ein Datenrepositorium auf Basis von Dataverse eingesetzt. Das Datenrepositorium der Universität Stuttgart (DaRUS) steht bereits als etablierter Dienst zur Verfügung. Mit dem XSample-Server zur Auszugsgenerierung kommt ein weiterer Dienst hinzu, der ebenfalls gewartet und weiterentwickelt werden muss. Bisher läuft dieser Dienst nicht im Produktivbetrieb, eine Verstetigung wird angestrebt. Dazu wird gerade im Forschungsdatenmanagement-Team ein Betriebskonzept für Code-Output von Forschungsprojekten erarbeitet. Während der Projektphase sollen die technischen Abhängigkeiten und notwendigen Informationen über den Code dokumentiert werden, darüber hinaus muss eine fachliche Ansprechperson benannt werden, die auch noch nach Projektende inhaltlich Auskunft geben kann. In einer zweiten Phase nach Projektende startet eine Bewährungsphase, in der evaluiert wird, ob der Dienst genutzt wird. In dieser Phase finden notwendige Wartungen statt. Damit soll verhindert werden, dass die Anwendung nach Projektende nicht mehr weiter nutzbar ist. Da aber nicht alle Dienste weiterentwickelt und gepflegt werden können, werden nur diejenigen weiterhin angeboten, die sich bewährt haben.

[42]Die Software für den Prototypen ist open-source öffentlich verfügbar und kann somit auch von anderen Einrichtungen genutzt werden, um eine eigene Instanz des XSample-Servers zu betreiben. Neben einem laufenden Dataverse-Server wird lediglich eine SQL-basierte Datenbank benötigt, um den XSample-Server in bestehende Infrastruktur integrieren zu können. Die Anforderungen an Rechenleistung und Speicherplatz für den Prototypen sind hierbei überschaubar.

[43]Zwar ist der aktuelle Prototyp auf die Schnittstelle zu Dataverse beschränkt, der XSample-Workflow lässt sich aber auf beliebige Repositoriensoftware mit ähnlichen Eigenschaften übertragen. Entsprechend kann mit mäßigem Aufwand auch der XSample-Server angepasst werden, um mit anderen Repositorien interagieren zu können. Etwas komplexer gestaltet sich die Unterstützung zusätzlicher Formate, da hierbei sichergestellt werden muss, dass sowohl die Implementierung des XSample-Servers selbst als auch die Korpusanfrageschnittstelle im Hintergrund ein gegebenes Format lesen können. Im Falle der Auszugskomponente im XSample-Server kommt noch das Schreiben der im Auszug enthaltenen Daten im entsprechenden Format hinzu.

4.1 Erstes Nutzungsszenario: Wissenschaftssprache

[45]Das erste Nutzungsszenario beschäftigt sich mit den Wissenschaftssprachen der Disziplinen Literaturwissenschaft, Linguistik und Philosophie. Es handelt sich dabei um die Replikation einer Studie[38] zur Frage, wie sich die Wissenschaftssprachen von Linguistik und Literaturwissenschaft voneinander unterscheiden. Als Datengrundlage der Originalstudie dienen jeweils 30 Dissertationen aus den beiden Fächern. Die Unterschiede zwischen den beiden Teilkorpora werden in einem datengeleiteten Verfahren mithilfe von maschinellem Lernen ermittelt. Daran anschließend erfolgt eine Interpretation der deutlichsten Unterschiede vor dem Hintergrund wissenschaftstheoretischer Merkmale der beiden Disziplinen. In der Replikationsstudie werden im Wesentlichen zwei Modifikationen vorgenommen:[39] Erstens erfolgt eine Veränderung der Variable ›Textsorte‹ von Dissertationen hin zu Zeitschriftenartikeln. Während die Autor*innen von Dissertationen mit ihren Texten zwar ihre Beherrschung der fachtypischen Wissenschaftssprache nachweisen, durchlaufen Zeitschriftenartikel in der Regel mehr Schritte der Qualitätssicherung. Sie werden außerdem von der Fachgemeinschaft breiter rezipiert, sodass sie auch als repräsentativer für die jeweilige fachspezifische Wissenschaftssprache gelten können. Zweitens wird die Datengrundlage um die Philosophie als drittes geisteswissenschaftliches Fach erweitert. Dadurch werden Literaturwissenschaft und Linguistik nochmals aus einer neuen Perspektive beleuchtet, nämlich im Kontrast zur Philosophie. Außerdem ist mit der Hinzunahme des dritten Faches ein Schritt dahingehend getan, Aussagen über die Wissenschaftssprache der Geisteswissenschaften im Allgemeinen zu treffen.

[46]Das Korpus umfasst insgesamt 135 Zeitschriftenartikel, jeweils 45 pro Fach. Alle Texte werden automatisch mit Lemmata, Wortarten und syntaktischen Dependenzen annotiert. Für den XSample-Workflow werden die annotierten Texte im CoNLL-2009-Format an der Universitätsbibliothek Stuttgart gespeichert. Die Ursprungsdaten im PDF-Format werden gemeinsam mit den Annotationen im Repositorium aufbewahrt. Um sicherzustellen, dass von den annotierten Daten wieder auf die PDF-Seiten der Ursprungsdaten geschlossen werden kann, müssen hierbei Informationen zur Alignierung der beiden Dateiformate gespeichert werden. Im Falle dieses Nutzungsszenarios erfolgt dies in Form einer einfachen Tabelle für jedes Dokument, die für jeden fortlaufend nummerierten Satz verzeichnet, auf welcher Seite oder welchen Seiten im PDF-Dokument er zu finden ist.

[47]Im Fokus der Replikationsstudie steht der Teil der vorausgehende Studie[40], der Einzelwörter und Wortartentags (Unigramme) betrachtet.[41] In methodischer Hinsicht orientiert sich die Replikationsstudie eng am Original: Im ersten Schritt werden die Merkmale mit den größten Unterschieden zwischen den Teilkorpora auf datengeleitete Weise ermittelt. Zu diesem Zweck wird mit dem maschinellen Lernverfahren der Support-Vector-Machine (SVM) ein Klassifikator trainiert, der jeweils zwischen Texten aus zwei der drei Disziplinen unterscheiden soll. Die lineare SVM bietet die Möglichkeit, auf die Koeffizienten zuzugreifen, die für jedes Merkmal ausdrücken, wie hilfreich es für die Klassifikationsaufgabe war. Anhand dieser Koeffizienten wird ein Feature-Ranking wie in Tabelle 1 erstellt, das die größten Unterschiede zwischen den Teilkorpora (im Sinne der SVM) darstellt. Der zweite Schritt der Analyse besteht dann in der Interpretation dieses Feature-Rankings. Welche sprachlichen Unterschiede verbergen sich hinter den Merkmalen und (wie) können sie anhand wissenschaftstheoretischer Merkmale der Disziplinen erklärt werden? Während der erste Schritt rein datengeleitet arbeitet, muss für die Interpretation auf unterschiedliche Ressourcen zurückgegriffen werden: Erstens ist der erneute Rückgriff auf das Korpus notwendig, um verstehen zu können, wie das Merkmal in den Texten verwendet wird. Zweitens muss Wissen über die wissenschaftstheoretischen Merkmale der Disziplinen sowie bereits vorhandene empirische Erkenntnisse zu den vorliegenden Phänomenen herangezogen werden, um die Daten in einen funktionalen Zusammenhang setzen und gegebenenfalls erklären zu können.

[48]Diese Schritte werden im Folgenden am Beispiel der Analyse der Verwendung des Pronomens wir in den drei Disziplinen veranschaulicht. Im Zuge dessen wird auch diskutiert, welche Daten zur Überprüfung und Re-Validierung der Analyseresultate vonnöten sind.

[49]Tabelle 1 zeigt das Ranking der 15 distinktivsten Wortarten für den Vergleich von Philosophie und Literaturwissenschaft. Während sich aus diesen Ergebnissen zahlreiche relevante Rückschlüsse auf die Unterschiede zwischen den Wissenschaftssprachen der beiden Disziplinen ziehen lassen, wird hier nur ein Merkmal in den Fokus genommen: Im Vergleich mit der Literaturwissenschaft zeichnet sich die Philosophie durch eine hohe Verwendungsfrequenz von Personalpronomen (PPER) aus. Der zusätzliche Rückgriff auf die Token-Ebene zeigt, dass dieser Unterschied insbesondere durch die Pronomen wir und es erzeugt wird. Dies wird hier zum Anlass genommen, die fachspezifische (bzw. gegebenenfalls auch zeitschriften-spezifische) wir-Verwendung differenzierter zu betrachten. Zu diesem Zwecke wurde aus jedem Korpus eine Stichprobe von 100 Sätzen, in denen wir verwendet wird, nach dem Zufallsprinzip ausgewählt und manuell in Bezug auf ihre Funktion klassifiziert. Dabei wurde auf die Klassifikation von wir-Verwendungen im deutschsprachigen akademischen Diskurs von Kresta[42] zurückgegriffen. Kresta unterscheidet vier Gebrauchsweisen von wir in deutschsprachigen akademischen Texten: Das Pronomen wird verwendet,
a.) um auf die tatsächlichen Verfasser*innen eines Textes zu verweisen (Autor*innen-wir),
b.) um ein Kollektiv, bestehend aus Verfasser*innen und Leser*innen eines Textes, zu bezeichnen (Teamwork-wir),
c.) zur Bezeichnung fachspezifischer Kollektiva aus akademischen Verfasser*innen und Leser*innen (Fachkreis-wir) sowie
d.) um auf alle Menschen zu referieren (Gemeinschafts-wir).

[50]Die Stichproben zeigen (vgl. Tabelle 2) in den Texten fachspezifische Muster der wir-Verwendungen: So sind sich die literaturwissenschaftlichen und philosophischen Texte darin ähnlich, dass in beiden Gruppen die Verwendung des Gemeinschafts-wir dominiert, während in den linguistischen Aufsätzen die Verwendung des Autor*innen-wir vorherrscht. Die Dominanz des Autor*innen-wir in der Linguistik lässt sich dadurch erklären, dass die Texte tatsächlich mehrheitlich von mehreren Autor*innen verfasst wurden (siehe Beispiel 1). Diese Praxis scheint in der Linguistik weitaus üblicher zu sein als in den anderen beiden Fächern. Die Ähnlichkeit von Philosophie und Literaturwissenschaft in ihrer Verwendung des Gemeinschafts-wir mag hingegen verwundern, da die beiden Fächer häufig ihre formal-sprachlichen Unterschiede betonen. Insbesondere in der Philosophie dient die Kennzeichnung eines philosophischen Ansatzes als ›literarisch‹ oft der Kritik am philosophischen Gehalt desselben.[43] Eine Auswertung der konkreten Belegstellen zeigt jedoch, dass es sich in den beiden Fächern um unterschiedlich geartete Manifestationen des Gemeinschafts-wir handelt, die man wiederum mit landläufigen Kennzeichen der beiden Fächer in Verbindung bringen kann: So dominiert in der Stichprobe aus der Philosophie ein Gebrauch des Gemeinschafts-wir, der letztendlich auf die grundlegenden Bedingungen des menschlichen Denkens und Handelns abzielt, wie das Beispiel 2 belegt. In der Stichprobe aus der Literaturwissenschaft, deren zentralen Tätigkeiten die Lektüre und Interpretation von Texten sind, wird in 31 der 54 Verwendungen des Gemeinschafts-wir genau auf jene Praxis verwiesen, indem eine Art ›ideale*r Leser*in‹ konstituiert wird (siehe Beispiel 3), weswegen in diesem Fall auch vom Leser*innen-wir gesprochen werden kann.

[51]Folgende Textausschnitte sollen als Beispiele für die nach Fachrichtung unterschiedlichen wir-Verwendungen dienen:

1. Im Folgenden werden wir die Datengrundlage näher erläutern und anschließend kurz auf die von uns verwendeten korpuspragmatischen Analysewerkzeuge eingehen. (Lin_16)
2. Diese Fähigkeit wird im Gegenteil schrittweise erlernt bzw. angeeignet – so wie wir z. B. unsere Muttersprache lernen oder aneignen – nämlich durch einen Prozess der ›unbewussten induktiven Schlussfolgerung‹, die auf Regelmäßigkeiten oder Assoziationen unter unseren Sinneswahrnehmungen zurückzuführen ist. (Philo_33)
3. Zugespitzt könnte man sagen, dass der Begriff ›literarische Präsenz‹ ein Widerspruch in sich ist, weil die Erzählung zwar von den Präsenzerfahrungen ihrer Figuren erzählen kann, doch diese stets allein auf der Ebene der histoire ›präsent‹ sind, präsent also für den Erzähler – doch wir, die Leser, sind nicht der Erzähler; [...] (Lit_03)

[52]Vor dem Hintergrund möglicher Nachnutzungsszenarien lassen sich für das erste Nutzungsszenario verschiedene Datenbedarfe feststellen, die mit unterschiedlichen Phasen der Analyse verbunden sind: Für die datengeleitete Ermittlung distinktiver Merkmale ist es für Nachnutzer*innen oder Gutachter*innen ausreichend, wenn ihnen die Texte nur in Form von n-Gramm-Frequenzen, also in einem abgeleiteten Format, vorliegen. Auf der Grundlage von z. B. Wortartenfrequenzen kann dieser Teil der Analyse direkt reproduziert werden.[44] Außerdem ist es etwa möglich, die distinktiven Merkmale auf den gleichen Daten mithilfe anderer Verfahren zu ermitteln und methodische Vergleiche anzustellen. Naturgemäß wird die weiterführende Analyse auf genau solche Frequenzen eingeschränkt, die auch zur Verfügung gestellt werden. Eine flexible Anpassung der n-Gramme (etwa ihrer Länge oder der Art ihrer Generierung) ist nicht ohne weiteres möglich, im Großen und Ganzen werden die Bedarfe dieser Analysephase aber durch abgeleitete Textformate gedeckt.

[53]Geht es hingegen um eine Interpretation der Daten, welche auf semantische und pragmatische Dimensionen abzielt, reichen Frequenzinformationen nicht mehr aus, um das Vorgehen in der Studie im Rahmen eines Gutachten zu bewerten oder eigene Schlüsse aus den Daten zu ziehen. Um konkrete (semantische oder pragmatische) Phänomene, wie zum Beispiel in Hinblick auf den Gebrauch von wir, zu verstehen und gegebenenfalls erklären zu können, ist es notwendig, konkrete Verwendungen im Korpus mitsamt ihrem Kontext zu sichten. Die notwendige Kontextgröße hängt dabei von der Natur des untersuchten Phänomens ab. Für die wir-Analyse wurden pro Fach 100 zufällige Sätze untersucht. Ein zumindest stichprobenartiger Zugriff auf Volltextdaten, wie er durch den XSample-Ansatz ermöglicht wird, ist zentral, um geisteswissenschaftlich fundierte Aussagen treffen und nachvollziehbar machen zu können.

4.2 Zweites Nutzungsszenario: Unzuverlässiges Erzählen

[54]Der zweite Anwendungsfall setzt sich mit dem Phänomen des unzuverlässigen Erzählens (genauer: mit faktenbezogener Unzuverlässigkeit) auseinander, das in einigen literarischen Erzählungen auftritt. Faktenbezogenes unzuverlässiges Erzählen liegt in einem fiktionalen Text dann vor, wenn die Erzählinstanz unzutreffende, zweifelhafte oder in relevanter Hinsicht unvollständige Aussagen über die Fakten oder Ereignisse der erzählten Welt tätigt.[45]

[55]Im Gegensatz zum ersten Anwendungsfall handelt es sich beim zweiten nicht um eine Replikationsstudie, sondern um eine Pilotstudie zu einem kürzlich gestarteten, auf drei Jahre ausgelegten Forschungsprojekt (CAUTION), das der Untersuchung der Schluss- und Argumentationsprozesse bei der Identifikation unzuverlässigen Erzählens durch Literaturwissenschaftler*innen bzw. Leser*innen gewidmet ist. Unzuverlässiges Erzählen gilt in der Literaturwissenschaft einerseits als stark interpretationsabhängiges Phänomen,[46] andererseits listet die Forschung zahlreiche sprachliche Indikatoren, die auf unzuverlässiges Erzählen hinweisen können.[47] Leser*innen können solche Merkmale – unter Rückgriff auf allgemeines Weltwissen sowie literarische und literaturwissenschaftliche Kontexte – zum Anlass nehmen, der Erzählinstanz eines fiktionalen Textes Unzuverlässigkeit zuzuschreiben. In diesem Rahmen entwickeln sie eine inhaltsspezifizierende Interpretation[48] des Textes, d. h. sie bilden Annahmen darüber, was in der fiktiven Welt des Textes wahr und was falsch ist.

[56]Um die Schluss- und Argumentationsprozesse bei der Feststellung bzw. Zuschreibung unzuverlässigen Erzählens systematisch untersuchen zu können, sind in einer ersten Annäherung folgende Teilfragen relevant:

1. Welche Erzähler*innen bzw. Figuren treten in einer Erzählung auf?
2. Welche Äußerungen über die fiktive Welt der Erzählung treffen diese Instanzen?
3. Welche dieser Äußerungen betreffen Propositionen, deren Zutreffen in der fiktiven Welt in Frage steht?
4. Wie positionieren sich die relevanten Instanzen zu diesen Propositionen?
5. Gibt es textuelle Hinweise auf die Vertrauens(un)würdigkeit der relevanten Instanzen?

[57]Zur Beantwortung dieser Fragen wird im Rahmen des zweiten Nutzungsszenarios explorativ-heuristisch eine Mischung aus automatisierten Text-Mining-Verfahren und manueller Annotation auf ein Testkorpus aus vier kurzen bis mittellangen Erzählungen und vier langen Erzählungen aus dem 19. bis 21. Jahrhundert angewandt. Für die Teilfragen (1) und (2) werden automatische Verfahren zur Erkennung von Named Entities[49] und Redewiedergabe[50] verwendet, zusätzlich wurden Koreferenzen exemplarisch manuell annotiert. Für Fragen (3) und (4) muss – wie es bei der Untersuchung genuin literaturwissenschaftlicher Konzepte oft notwendig ist – zunächst ein eigenes Annotationsschema entwickelt werden, das dann im Rahmen manueller Annotation auf die Texte angewandt wird.[51] Für Frage (5) wird exemplarisch eine Indikatorengruppe aus der Unzuverlässigkeitsforschung in den Fokus genommen: die Verwendung emotionaler bzw. wertender Sprache, für deren Erkennung eine Kombination aus automatischer Sentimentanalyse[52] und manueller Emotionsanalyse eingesetzt wird.

[58]Für den Einsatz computergestützter Verfahren in der Literaturwissenschaft ist oft erheblicher Entwicklungsaufwand notwendig, sowohl konzeptionell im Rahmen der Operationalisierung literaturwissenschaftlicher Forschungsfragen als auch technisch im Hinblick auf die Anpassung oder Neuentwicklung von Tools.[53] Deswegen kann es bei der Auswertung der Pilotstudie noch nicht darum gehen, die übergeordnete Forschungsfrage zu den Schluss- und Argumentationsprozessen bei der Feststellung unzuverlässigen Erzählens zu beantworten. Dennoch kann ein Einblick in die Daten bereits in diesem Zwischenstadium aufschlussreich sein. Generell ist Forschung im Bereich der Digital Humanities (und besonders im Bereich der Computational Literary Studies) stärker als in den traditionellen Geisteswissenschaften durch »Prozessualität, Vorläufigkeit und ›Nichtwissen‹«[54] gekennzeichnet. Dies lässt sich durchaus als Stärke dieser Ansätze verstehen, weil dadurch die Zwischenschritte der Forschung und Entwicklung dokumentiert (und damit durch Dritte einsehbar) werden, die in nicht-digitalen literaturwissenschaftlichen Zugängen oft implizit bleiben.

[59]Beim zweiten Nutzungsszenario dient eine Einsicht in die Daten durch Dritte also hauptsächlich dem Zweck, einen Einblick in den Operationalisierungsprozess der übergeordneten literaturwissenschaftlichen Fragestellung zu erhalten, oder ist dem Interesse an bestimmten Einzelphänomenen (etwa dem Sentiment) geschuldet. Nachnutzer*innen können beispielsweise prüfen, inwieweit die eingesetzten Text-Mining-Verfahren bereits für die Anwendung auf literarischen Texten adäquat sind oder ob die für die manuelle Annotation entwickelten Annotationsschemata geeignet sind, die im Fokus stehenden literarischen Phänomene zu fassen.

[60]Für die Form, in der die Textdaten Dritten zugänglich gemacht werden sollten, bedeutet das im vorliegenden Zusammenhang Folgendes:

1. Named Entity Recognition: Inwieweit die Named Entity Recognition (mit zu diesem Zeitpunkt noch nicht eigens für das Korpus trainierten Modellen) auf literarischen Texten zu brauchbaren Ergebnissen führt, kann unter Umständen noch teilweise mittels abgeleiteter Textformate (z. B. bestimmter tokenbasierter Formate[55]) geprüft werden. Zusätzlich können Nachnutzer*nnen sich damit ebenfalls einen ersten Eindruck hinsichtlich der im jeweiligen Text auftretenden Figuren verschaffen.[56]
2. Automatische Sentimentanalyse: Um zu beurteilen, ob durch das lexikonbasierte Vorgehen der automatischen Sentimentanalyse einzelne Wörter falsch klassifiziert wurden, ist der Rekurs auf den textuellen Kontext notwendig, den abgeleitete Textformate nicht ermöglichen. Ein erster Einblick in die Ergebnisse der automatischen Sentimenanalyse ist allerdings noch mit abgeleiteten Textformaten möglich, sofern für Nachnutzer*innen interessant ist, ob ein Text bzw. Korpus eher von negativen oder positiven Wörtern geprägt ist oder welche Wörter bzw. Wortfelder mit positiver oder negativer Polarität vorherrschen.
3. Redewiedergabeerkennung: Für die Prüfung der automatisch generierten Redewiedergabe-Annotationen sind abgeleitete Textformate ebenfalls nicht funktional, da die Annotationen längere Passagen betreffen bzw. ihre Korrektheit (insbesondere im Fall indirekter Rede) nur unter Rückgriff auf die fraglichen Textpassagen beurteilt werden kann. Auch der für die weitere Bearbeitung der übergeordneten Forschungsfrage ausschlaggebende Inhalt der Figurenrede kann nur durch Konsultation zusammenhängender Textpassagen untersucht werden.
4. Koreferenzauflösung: Bei den manuellen Annotationen zur Koreferenzauflösung sind sowohl zur Prüfung der Korrektheit als auch für die Bearbeitung der inhaltlichen Fragestellung (›Wer sagt was?‹) textuelle Kontexte notwendig.
5. Manuelle Emotionsanalyse: Für die manuelle Emotionsanalyse wurde im Rahmen des Nutzungsszenarios ein eigenes Tagset entwickelt, das auf den sprachlichen Indikatoren basiert, die in der erzähltheoretischen Forschungsliteratur als Hinweise auf die Emotionalität von Erzähler*innen (und damit auf ihre mögliche Unzuverlässigkeit) identifiziert werden. Derartige Operationalisierungen literaturwissenschaftlicher Forschungsfragen für die computergestützte Analyse sind oft langwierige Prozesse und benötigen im Rahmen von manueller (und meist kollaborativer) Annotation häufig mehrere Durchläufe.[57] Im Rahmen des zweiten Nutzungsszenarios hat ein erster dieser Durchläufe stattgefunden, in dem Forscher*innen bzw. Datenlieferant*innen einige Entscheidungen treffen mussten, die für den Nachvollzug der Ergebnisse durch Dritte relevant sein können. Hierfür ist nicht nur ein Einblick in die Annotationsschemata und Anwendungsrichtlinien notwendig, sondern ebenso der Zugriff auf zusammenhängende Textteile, die den textuellen Kontext zeigen und damit individuelle Annotationsentscheidungen potenziell nachvollziehbar machen. Einen ersten Eindruck von den Ergebnissen der manuellen Emotionsanalyse können sich Nachnutzer*innen – analog zur verwandten Sentimentanalyse – allerdings auch auf der Basis abgeleiteter Textformate verschaffen.
6. Wahre Propositionen der erzählten Welt: Den komplexesten und zugleich wichtigsten Operationalisierungs- und Annotationsschritt stellt im Rahmen des zweiten Nutzungsszenarios die manuelle Annotation der Sätze dar, die diejenigen Propositionen betreffen, deren Wahrheit in der fiktiven Welt eines Textes in Frage stehen. Genau wie im Fall der manuellen Emotionsanalyse müssen die Annotationskategorien erst in mehreren Durchläufen entwickelt werden, von denen der erste im Rahmen des vorliegenden Nutzungsszenarios stattfindet. Allerdings muss für die Entwicklung von Annotationsschemata und Guidelines hier noch mehr Vorarbeit geleistet werden als bei der Emotionsanalyse, da in der Unzuverlässigkeitsforschung für letztere bereits Listen mit textuellen Indikatoren zur Verfügung stehen, die vergleichsweise direkt in Annotationsschemata übertragen werden können. Die Annotation in Frage stehender Sätze erfordert dagegen grundsätzliche konzeptionelle und praktische Entscheidungen. Im Rahmen dieses Nutzungsszenarios wurden beispielsweise zunächst jeweils textspezifische Kategorien entwickelt, d. h. dass für jeden Text ca. zwölf zentrale, in Frage stehende Propositionen identifiziert und als Tagset umgesetzt wurden (z. B. für E. T. A. Hoffmanns Der Sandmann die Propositionen »Der dämonische Sandmann existiert«, »Der Sandmann will Nathanaels Leben zerstören«, »Advokat Coppelius und Wetterglashändler Coppola sind dieselbe Person« etc.). Mithilfe dieser spezifischen Tagsets wurden in den Texten jeweils Sätze annotiert, in denen die fraglichen Propositionen thematisiert werden, um überhaupt erst einmal die grundsätzliche Umsetzbarkeit des Ansatzes zu testen. Perspektivisch ist die Entwicklung eines generischen Tagsets für diese Annotationsaufgabe wünschenswert, in dem beispielsweise Propositionen in Typen (z. B. in singular, particularized und general) unterteilt und verschiedene Rollen der Propositionen im Rahmen von Argumenten (Prämisse und Konklusion) unterschieden werden. Deshalb ist zu erwarten, dass sich die Annotationskategorien und Anwendungsrichtlinien noch erheblich verändern werden. Aus diesem Grund kann der Nachvollzug der einzelnen Operationalisierungsschritte durch Dritte von besonderer Bedeutung sein. Dieser wird wieder durch Zugriff auf Annotationskategorien / Anwendungsrichtlinien im Manifest sowie (mindestens) zusammenhängende Textabschnitte ermöglicht. An dieser Stelle tritt ein weiterer Unterschied zur manuellen Emotionsanalyse zutage: Während bei der Emotionsanalyse anhand sprachlicher Indikatoren vornehmlich einzelne Wörter annotiert werden, betrifft die Annotation bei der Analyse in Frage stehender Propositionen mindestens Teilsätze. Tokenbasierte abgeleitete Textformate sind deswegen weder für den Nachvollzug der Kategorienentwicklung oder der Annotationsentscheidungen noch für einen ersten Einblick in die Ergebnisse der Annotation bzw. Analyse funktional.

[61]Zusammenfassend lässt sich also festhalten, dass abgeleitete Textformate für den Nachvollzug der Operationalisierung literaturwissenschaftlicher Forschungsfragen, die in der durch das zweite Nutzungsszenario abgebildeten Forschungsphase im Vordergrund steht, nur schwer oder gar nicht verwendbar sind. Ein Auszugskonzept kann dagegen vielen der genannten Anforderungen begegnen.

[62]Wie eingangs deutlich gemacht wurde, dient das zweite Nutzungsszenario als Pilotstudie zu einem umfangreicheren Projekt, das die Schluss- und Argumentationsprozesse bei der Feststellung bzw. Zuschreibung unzuverlässigen Erzählens untersucht. In diesem Zusammenhang wird für Nachnutzer*innen die Notwendigkeit, auf zusammenhängende Textteile zugreifen zu können, noch stärker in den Vordergrund rücken, denn unzuverlässiges Erzählen gilt als Phänomen, dessen Feststellung sich aus dem Zusammenspiel verschiedener sprachlicher Indikatoren, über den Text verteilter Informationen und Kontextinformationen ergibt. Aus diesem Grund bleibt letztlich noch zu prüfen, inwieweit (d. h. bei welchen Phänomenvarianten oder Texten) der Zugriff auf Textauszüge für Nachnutzer*innen ausreichend ist. Fest steht allerdings, dass sich ein Auszugsmodell, wie es in XSample entwickelt wurde, den Bedarfen dieser Anwendungsfälle deutlich stärker annähert als abgeleitete Textformate und Forschenden eine Möglichkeit bietet, (auch) an urheberrechtlich geschützten Texten solch komplexe literarische Phänomene zu untersuchen.