Abstract

Version 1.1 (01.07.2024)

Ergänzungen und Korrekturen gemäß der Gutachten in Text, insbesondere Kapitel 2 und 3, und Bibliografie. Vereinheitlichung von Schreibweisen in den Tabellen, Hinzufügung von Erläuterungen in den Fußnoten.

• 1. Projekt und Zielstellung
• 2. Emotionsdefinition
• 3. Annotation
• 4. Annotiertes Korpus
• 5. Quelle und Ziel
• 6. Auswertungen der Kategorie ›Gender‹
• 7. Schlussbemerkung
• Bibliografie
• Abbildungs- und Tabellenverzeichnis

1. Projekt und Zielstellung

[1]Wir stellen in diesem Beitrag einen Teil der Forschungsergebnisse des DFG-Forschungsprojekts Emotions in Drama (EmoDrama) vor, das eine Zusammenarbeit zwischen Literaturwissenschaft und Informatik ist.[1] Ziel des Projekts ist die computergestützte Vorhersage von Emotionen für die Analyse deutschsprachiger Theaterstücke aus den Jahren 1650 bis 1815. Das Projekt ist eine Weiterentwicklung der bisherigen Forschung auf dem Gebiet der Analyse von Emotionen in literarischen Texten.[2] Es soll insbesondere auch dazu beitragen, die literaturgeschichtliche Forschung voranzutreiben, indem bisherige Erkenntnisse quantitativ abgestützt und neue Erkenntnisse über Figurenemotionen in verschiedenen Dramengenres und in nichtkanonischen Texten gewonnen werden können.[3] Wir präsentieren die Endergebnisse der Annotationsaufgabe unseres Projekts: Ein Korpus von 18 deutschen Theaterstücken mit über 21.000 Emotionsannotationen und über 46.000 Quell- / Ziel-Annotationen. Alle Materialien des Projekts (Annotationen in csv/json-Format, Auswertungen, Korpora, Modelle usw.) sind online frei verfügbar zur Nachnutzung für die Forschungscommunity publiziert.[4]

[2]In diesem Beitrag stellen wir zunächst den Annotationsprozess, das finale Korpus, Übereinstimmungsmetriken und die Vorbereitung des Korpus für Prozesse des maschinellen Lernens vor. Wir beschreiben die erzielten Übereinstimmungen zwischen den Annotator*innen getrennt nach Dramen und stellen einzelne Besonderheiten der Annotation vor. Dazu gehören die Länge der Annotationen, überlappende Annotationen und die Quell- und Zielinformationen. In einem Ausblick zeigen wir Potenziale des annotierten Korpus anhand von Gender-Analysen auf. Die Emotionsannotationen, die wir mit zwei Annotator*innen pro Drama erstellt haben, sind eine einzigartige Datenquelle für die digitalen Geisteswissenschaften: Unseres Wissens gibt es für diese Literaturgattung kein anderes Korpus mit einer ähnlichen Menge an kontextsensitiven Emotionsannotationen auf der Basis historisch adäquater Emotionsdefinitionen.

2. Emotionsdefinition

[3]Im untersuchten Zeitraum finden sich wechselnde Begriffe für emotionale Zustände wie etwa ›Affekt‹, ›Passio(n)‹, ›Leidenschaft‹ und später auch ›Gefühl‹.[5] ›Emotion‹ wird als metasprachlicher Begriff verwendet, um den folgenden Phänomenkomplex zu erfassen, der eine zentrale Rolle in dramatischen Texten spielt:

[4]»[...] mehrdimensionale, intern repräsentierte und subjektiv erfahrbare Syndromkategorien, die sich vom Individuum ichbezogen und introspektiv-geistig sowie körperlich registrieren lassen, deren Erfahrungswerte an eine positive oder negative Bewertung gekoppelt sind und die für andere in wahrnehmbaren Ausdrucksvarianten realisiert werden (können).«[6]

[5]Als Präzisierungen dieser Definition kommen die folgenden Aspekte hinzu:

• Emotionen sind wechselnde Zustände, die als psychischer und physischer Zustand zugleich erlebt und positiv oder negativ bewertet werden.
• Figuren erleben diese Zustände selbst und sie werden ihnen auch von anderen zugeschrieben.[7]
• Bei der Verarbeitung von Emotionen spielen sowohl Ursache als auch Gerichtetheit eine Rolle. Die Figuren können sich der Emotionen in unterschiedlichem Maße bewusst sein.
• Figuren können körperlich und sprachlich andere Emotionen ausdrücken, als sie empfinden.

[6]Allgemein war in den letzten beiden Jahrzehnten eine Konjunktur der Emotionsforschung in der Literaturwissenschaft zu beobachten, die in zwei Handbüchern gut dokumentiert ist.[8] Langfristig besteht das Ziel dieses Projekts darin, zur Forschung zum Drama beizutragen, wie sie etwa im Handbuch Emotion[9] zu finden ist und referiert wird.

[7]Im Anschluss an die bestehende Forschung werden Emotionen während des gesamten untersuchten Zeitraums als ichbezogen verstanden, aber erst sehr spät als gänzlich individuelle Zustände. Die meiste Zeit werden Emotionen als klassen- und geschlechtsspezifisch, aber auch durch religiöse Überzeugungen, politische Ansichten und andere kulturelle Aspekte bestimmt, konzipiert.[10] Darüber hinaus sind dramatische Texte stark von rhetorischen Konventionen geprägt, die erst im letzten Drittel des 18. Jahrhunderts schwächer werden.[11]

[8]Simone Winko unterscheidet zwischen kontextzentrierten, textzentrierten, produktionszentrierten und rezeptionszentrierten Ansätze der literaturwissenschaftlichen Beschäftigung mit Emotionen.[12] Insbesondere die in der Rezeption intendierten Emotionen der Rezipient*innen sind als entscheidendes Element in der Poetik des Dramas sowohl hinsichtlich der Normen als auch bezüglich der textuellen Gestaltung bereits recht gut erforscht.[13] Wir untersuchen deshalb zunächst die Figurenemotionen.

3. Annotation

[9]Das Annotationsschema ist hierarchisch aufgebaut und besteht aus sechs Hauptemotionsklassen und 13 Subemotionen, die jeweils eine prototypisch positive bzw. negative Polarität aus der Sicht der Figur haben. Die Auswahl der Emotionen, die wir im Projekt Emotions in Drama untersuchen, ist auch davon bestimmt, dass sie literarischem Wandel abbilden können soll. Deshalb wurden etwa die Kategorien ›Mitleid‹ und ›Freundschaft‹ aufgenommen, die im Laufe des 18. Jahrhunderts neu semantisiert werden. Der Annotationsprozess und das Annotationsschema wurden in einem iterativen Prozess entwickelt: Im Laufe der Zeit kam etwa eine Kategorie der ›Emotionalen Bewegtheit‹ hinzu, die wir eingeführt haben, um die sehr häufigen Fälle markieren zu können, in denen eine Figur sehr stark emotional aufgewühlt ist, ohne zu wissen, was sie fühlt. Außerdem musste die Zuordnung von Emotionen zu Oberklassen im Laufe der Zeit angepasst werden. Das endgültige Schema sieht wie folgt aus:

• Emotionen der Zuneigung
  • Lust (+)
  • Liebe (+)
  • Freundschaft (+)
  • Verehrung, Bewunderung (+)
• Emotionen der Freude und des Glücks
  • Freude (+)
  • Schadenfreude (+)
• Emotionen der Angst und der Sorge
  • Angst (-)
  • Verzweiflung (-)
• Emotionen der Ablehnung
  • Ärger (-)
  • Abscheu, Wut, Hass (-)
• Emotionen des Leids und Mitleids
  • Leid (-)
  • Mitleid (-)
• keine Oberklasse
  • emotionale Bewegtheit (unbestimmt)

[10]Wir haben 18 Theaterstücke annotiert. Die Auswahl ist dabei hinsichtlich Genre, damaliger Relevanz und Positionierungsabsicht (Avantgarde / Publikumserwartung) möglichst breit gestreut.[14] Wir haben sowohl gelehrte Barockdramen (Andreas Gryphius: Catharina von Georgien (1657), Daniel Caspar von Lohenstein: Ibrahim Sultan (1649)) als auch Spieltexte der Wanderbühne (Anonym: Der Welt Erschröckende Attila (nach 1682)), rührende Lustspiele (Christian Fürchtegott Gellert: Die zärtlichen Schwestern (1747)), als auch Typenkomödien (Luise Adelgunde Victorie Gottsched: Das Testament (1745)), heroische und bürgerliche Trauerspiele (Joachim Wilhelm von Brawe: Der Freigeist (1758), Friedrich Schiller: Kabale und Liebe (1784)), ein populäres Rührstück aus der Zeit um 1800 (August von Kotzebue: Menschenhaß und Reue (1790)) und eine populäre Posse (Ferdinand Eberl: Kasperl’ der Mandolettikrämer (1789)) aufgenommen. Die Auswahl umfasst einerseits Werke, die heute noch kanonisiert sind (z. B. Gotthold Ephraim Lessings Minna von Barnhelm (1767) oder Johann Wolfgang von Goethes Faust. Eine Tragödie (1808)) und andererseits solche, die heute nur noch Spezialist*innen bekannt sind (Anonym: Der Welt Erschröckende Attila (nach 1682), Cornelius von Ayrenhoff: Der Postzug (1769)). Es wurde absichtlich möglichst heterogenes Material annotiert, damit die Annotationen später zum Training eines transformerbasierten Sprachmodells verwendet werden können, das nicht nur auf die Erkennung sprachlich ähnlicher Emotionsaussagen trainiert werden soll, sondern für ein breites Spektrum dramatischer Texte verwendbar ist.[15]

• Daniel Caspar von Lohenstein: Ibrahim Sultan (1649), Tragödie
• Andreas Gryphius: Catharina von Georgien (1657), Tragödie
• Christian Weise: Ein wunderliches Schau-Spiel vom niederländischen Bauer (1669), Komödie
• Der Welt Erschröckende Attila (nach 1682), Schauspiel, Libretto
• Christian Weise: Massaniello (1683), Tragödie
• Die getreue Sclavin Doris (1720), Schauspiel, Libretto
• Luise Adelgunde Victorie Gottsched: Das Testament (1745), Komödie
• Johann Elias Schlegel: Canut (1746), Tragödie
• Christian Fürchtegott Gellert: Die zärtlichen Schwestern (1747), Komödie
• Johann Gottlieb Benjamin Pfeil: Lucie Woodvil (1757), Tragödie
• Joachim Wilhelm von Brawe: Der Freigeist (1758), Tragödie
• Gotthold Ephraim Lessing: Minna von Barnhelm (1767), Komödie
• Cornelius von Ayrenhoff: Der Postzug (1769), Komödie
• Friedrich Schiller: Kabale und Liebe (1784), Tragödie
• Ferdinand Eberl: Kasperl’ der Mandolettikrämer (1789), Komödie, Libretto
• August von Kotzebue: Menschenhaß und Reue (1790), Komödie
• Friedrich Schiller: Wallensteins Lager (1800), Tragödie
• Johann Wolfgang von Goethe: Faust (1808), Tragödie

[11]Jedes Drama wurde von zwei Annotator*innen annotiert, die unabhängig voneinander gearbeitet haben. Dafür wurde das webbasierte Annotationstool CATMA verwendet.[16] Die Annotator*innen haben eine ausführliche Anleitung mit historischen Definitionen und zahlreichen Beispielen erhalten und wurden in gemeinsamen Annotationssitzungen geschult.[17] Annotiert wurde die von Figuren gemeinte Figurenemotion, nicht diejenige Emotion, die Rezipient*innen idealerweise empfinden sollen oder die sie empirisch nachweisbar empfunden haben. Der Kontext einer einzelnen Äußerung, d. h. das Werk, spielt dabei eine zentrale Rolle; die Annotator*innen waren dazu angehalten, ältere Annotationen bei neuen Einsichten im Verlauf der analytischen Lektüre gegebenenfalls im Nachhinein zu korrigieren. Die Annotationsbereiche konnten von den Annotator*innen nach eigenem Ermessen gewählt werden, durften aber eine einzelne Replik / Regieanweisung nicht überschreiten. Diese variable Angabe von Annotationsspannen ist ungewöhnlich in dem Forschungsfeld, hat sich jedoch in den Pilotstudien als sinnvoll und passend zur Erfassung des Phänomens erwiesen. Überlappende Emotionen und die Annotation von zwei Emotionen an der gleichen Textstelle waren möglich, um der Ambiguität des Phänomens gerecht zu werden. Es wurden sowohl die Regieanweisungen als auch die Dialogrepliken der Figuren annotiert. Der Zeitaufwand für einen Annotationsdurchgang eine*r Annotator*in variierte dabei je nach Länge und Komplexität des Dramas und konnte von zwei Wochen bis zu einem Monat betragen.

4. Annotiertes Korpus

[12]Tabelle 1 illustriert die Verteilung aller Emotionsannotationen von je zwei Annotator*innen für alle 18 Dramen:

[13]Die Annotation hat 21.609 Fälle von Einzelannotationen gezeitigt, die sich zu 543.518 annotierten Token summieren. Die Annotator*innen machen von der Möglichkeit unterschiedlicher Annotationslängen regen Gebrauch, die häufigste Annotationseinheit ist jedoch der Satz. Die kleinste annotierte Einheit ist bei allen Emotionen ein Wort. Im Durchschnitt wurden 25 Token (etwa 2 Sätze) annotiert, wobei die meisten Annotationen eher kurz sind (1 bis 2 Wörter) und nur wenige sehr lange Annotationen (die aus einer ganzen Figurenrede bestehen) vorkommen. Die größte Durchschnittslänge liegt für die Subemotion ›Verzweiflung‹ vor (⌀ = 44,81), die kürzeste Durchschnittslänge für die Subemotion ›Angst‹ (⌀ = 19,2). Das Korpus enthält auch überlappende Annotationen, die dann als einzelne Annotation gezählt und behandelt werden auch wenn sie die gleiche Textstelle enthalten.

[14]Am häufigsten wurden negative Emotionen annotiert (11.706; 54 %), gefolgt von positiven (8.074; 37 %). Zudem wurde die Kategorie ›emotionale Bewegtheit‹, hinzugenommen, die außerhalb des Bewertungsschemas von positiven und negativen Emotionen steht. Sie schlägt mit 1.829 Fällen bzw. 8 % zu Buche. Die Dominanz der negativen Emotionen zeigt, dass Konflikte und Streitigkeiten die Dramen unabhängig vom Genre stark bestimmen. Die häufigsten Hauptklassen sind die Emotionen der ›Ablehnung‹ (24 %) und ›Zuneigung‹ (23 %), gefolgt von der Klasse ›Leid und Mitgefühl‹ (20 %). Bei den Subemotionen wurden ›Leid‹ (16 %) und ›Liebe‹ (13 %) am häufigsten, ›Lust‹ (1 %) und ›Freundschaft‹ (2 %) am seltensten annotiert. An einer einzelnen Textstelle konnten auch zwei Emotionen annotiert werden. Dies war insbesondere dann nötig, wenn eine Figur zum einen eine Emotion ausdrückt, die sie selbst empfindet, dabei jedoch auch zugleich einer anderen Figur eine Emotion zuschreibt, wie im Beispiel in Abbildung 1:

Abb. 1: Beispiel für überlappende Emotionsannotationen aus Gellerts Die zärtlichen Schwestern, II, 3. [Screenshot aus: CATMA]

[15]Hier wurde einerseits die ›Angst‹ annotiert, die die Figur Damis empfindet. Im Rahmen dieser Äußerung schreibt Damis der Figur Julchen jedoch zusätzlich auch ›Liebe‹ zu, die deshalb für einen Teil der Replik als Emotion von Julchen annotiert wurde.

[16]Aufgrund der variablen Annotationsmöglichkeiten sind Mapping-Heuristiken notwendig, um Annotationsübereinstimmungen zwischen den Annotator*innen zu untersuchen. Es wurde folgende replikenbasierte Kalkulation angewendet: Jeder Regieanweisung und jeder Figurenrede wurde pro Annotator*in derjenige Emotionstyp zugeordnet, der von jedem/r Annotator*in am häufigsten annotiert wurde (in Anzahl der Wörter). Anschließend wurde die Übereinstimmung mittels Cohens κ und prozentualer Übereinstimmung berechnet. Tabelle 2 illustriert die Ergebnisse für alle Dramen (absteigend geordnet) und im Durchschnitt. Es wurde dabei zwischen den drei Hierarchiestufen Polarität (positiv / negativ / emotionale Bewegtheit), Hauptemotionsklassen und Subemotionen unterschieden.

[17]Im Durchschnitt liegen die κ-Werte je nach Emotionsklasse zwischen 0,45 und 0,36, was auf eine mäßige bis moderate Übereinstimmung hindeutet.[18] Die Übereinstimmung variiert zwischen den einzelnen Dramen und den verschiedenen Annotator*innen und erreicht als Minimum 0,33 für Luise Adelgunde Victories Das Testament, als Maximum 0,60 für Gotthold Ephraim Lessings Der Freigeist (1755). Die Gesamtwerte sind niedriger als in Sentiment-Analyse-Projekten mit zeitgenössischen Texten,[19] stehen jedoch im Einklang mit den Ergebnissen bei der Annotation historischer literarischer Texte.[20] Die Gründe für die niedrige Übereinstimmung sind in der Historizität und der Ambiguität literarischer Texte zu suchen. Die Probleme übereinstimmender Annotation zeigen sich etwa in folgendem Beispiel:

Abb. 2: Beispiel für gegensätzliche Annotationen zwischen zwei Annotator*innen in Gryphius Catharina von Georgien, I. Das Drama weist nur eine Akteinteilung auf, eine Unterteilung in Szenen findet sich nicht. [Screenshot aus: CATMA]

[18]Annotator*in 1 hat hier bei der Figur Salome durchgängig ‚›Leid‹ annotiert, Annotator*in 2 hingegen für den ersten Satz der Figur ›Angst‹, in den weiteren Sätzen ›Freude‹.

[19]Obschon die Übereinstimmungsmetriken heuristischer Natur sind, deuten sie auf insgesamt mangelnde Übereinstimmungen. Um ausgehend von den Annotationen jedoch ein Trainingskorpus für maschinelles Lernen ohne widersprüchliche Annotationen und ambige / überlappende Emotionsangaben erstellen zu können, wurden gefilterte Versionen des Korpus nach folgendem Verfahren erstellt: Alle sich überschneidenden Emotionsannotationen (partiell oder gesamt) der beiden Annotator*innen, die nicht der gleichen Klasse entsprechen, wurden entfernt. Das gefilterte Korpus besteht also aus:

• Allen sich überschneidenden (partiell oder gesamt) Annotationen der gleichen Klasse.
• Jeder Annotation eines Annotators / einer Annotatorin ohne gegensätzliche Annotation.

[20]Dieser Filter-Prozess führt zu verschiedenen gefilterten Korpora für jede Annotationsgruppe mit der folgenden Anzahl von verbleibenden Annotationen: für Polarität 16.935 (78 % aller Annotationen), für Hauptemotionsklassen 14.425 (67 % aller Annotationen) und für Subemotionen 12.701 (59 % aller Annotationen). Im Folgenden präsentieren wir beispielhaft Endergebnisse für das nach Subemotionen gefilterte Korpus, da auf diesem Hierarchietyp das Hauptaugenmerk unserer Untersuchungen liegt. Zusätzlich wurde das Korpus mit nicht annotiertem Material angereichert, das als weitere Klasse in das Schema aufgenommen wird und sich als wichtige diskriminierende Klasse für das maschinelle Lernen herausgestellt hat. Als nicht annotierte Textabschnitte wurden alle Texte definiert, die von keinem / keiner der beiden Annotator*innen eine Annotation erhalten haben, unabhängig von Übereinstimmung. Gehen diese Abschnitte über eine Replik oder Regieanweisung hinaus, werden sie abgetrennt und ergeben zwei Elemente nicht annotierter Abschnitte. Tabelle 3 gibt die Statistiken für nicht annotierte und emotionsannotierte Einheiten für das gefilterte Korpus der Subemotionen wieder.

[21]Insgesamt ergeben sich durch obiges Verfahren 11.901 Annotationen mit nicht annotierten Texteinheiten (also Textspannen von Repliken / Regieanweisungen, die keine Emotionsannotation erhalten haben). Die Gesamtlänge der nicht annotierten Texteinheiten ist jedoch geringer (im Durchschnitt 15,42 Token) als die der Texteinheiten mit Emotionsannotationen. Durch die Einbeziehung dieses Materials in das gefilterte Korpus erhöht sich die Größe des gefilterten Gesamtkorpus auf 24.602 Annotationen.

[22]Tabelle 4 zeigt nun die Emotionsverteilung im gefilterten Korpus. Die grundsätzlichen Emotionsverteilungen bleiben dabei ähnlich (vgl. Tabelle 1).

5. Quelle und Ziel

[23]Um auch erfassen können, welche Figur es ist, die eine Emotion empfindet und auf wen oder was sich eine Emotion richtet, wurden auch die Quelle (die Figur, die eine annotierte Emotion erlebt) und das Ziel (die Instanz, auf die eine Emotion gerichtet ist) einer Emotionsäußerung annotiert. Wir sprechen hierbei auch von einer mit Quell-/Ziel-Informationen verbundenen Emotion.[21] Der Umfang der annotierten Textstellen war dabei ebenso variabel wie bei der Emotionsannotation. Annotator*innen markierten jede explizite Erwähnung von Quelle und Ziel im annotierten Text. Als explizite Erwähnungen der Quelle respektive des Ziels wurden beispielsweise Namen, Substantive und Personalpronomina, jedoch keine Possesivpronomina annotiert. Im untenstehenden Beispiel (siehe Abbildung 3) wurde als Bezug zur Quelle in der ersten Replik »mir« annotiert, was sich auf Eulalia bezieht. In der zweiten Replik wurden »ich« und »er« als Bezüge zur Quelle markiert.

Abb. 3: Beispiele für die Annotation von verschiedenen Quell- und Zielinformationen aus Kotzebues Menschenhass und Reue, V, 9. [Screenshot aus: CATMA]

[24]Wurden zu einer Emotionsäußerung mehrere explizite Quell- oder Zielangaben der gleichen Instanz gefunden, so wurden sie über eine CATMA-Funktion alle auf einmal annotiert und über die Zeitstempel als zusammengehörig identifiziert. In der Auswertung der Annotationen (siehe Tabelle 6 und Tabelle 7) wurden sie jedoch nur als eine Quell- oder Zielinformation pro Emotion gezählt unabhängig von den tatsächlichen expliziten Nennungen (siehe Abbildung 4).

Abb. 4: Replik mit mehreren Quell- und Zielinformationen aus Ayrenhoffs Der Postzug, I, 12. [Screenshot aus: CATMA]

[25]Quelle und Ziel sind jedoch nicht immer explizit ausgedrückt. Sie sind auch nicht immer erkennbar oder vorhanden. In denjenigen Fällen, in denen sie erschlossen werden können, wird die jeweils annotierte Emotion mit dem Attribut ›implizit‹ versehen. In Abbildung 5 findet sich ein Beispiel für eine Textstelle, in der sowohl Ziel als auch Quelle nur implizit erschlossen werden können:

Abb. 5: Replik, in der Quell- und Zielinformationen nur implizit enthalten sind, aus Ayrenhoffs Der Postzug, I, 1. [Screenshot aus CATMA]

[26]In diesem Gespräch zwischen dem Verwalter und der Kammerjungfer Lisette aus Ayrenhoffs satirischer Komödie Der Postzug drücken die beiden Figuren über mehrere Repliken hinweg ihren ›Ärger‹ darüber aus, dass sie anlässlich eines Festes für den Grafen Reitbahn seit Stunden herumgeschickt werden.

[27]Explizite Quellinformationen finden sich dabei nicht, da die Figuren nur die Zustände beschreiben, über die sie sich ärgern. Das Ziel ihres ›Ärgers‹ ist der Bräutigam ihres Fräuleins, der jedoch zunächst nicht erwähnt wird. Stattdessen sprechen sie nur über die Mühen, die sein Kommen verursacht. In der Annotation wurden diese impliziten Informationen zur Quelle bzw. zum Ziel einer Emotionsäußerung als Attribute zu den Emotionsäußerungen selbst hinzugefügt.[22]

[28]Quelle und Ziel bestehen aus den folgenden Untertypen und möglichen Attributen:

[29]Quelle

• Experiencer: Figuren des Dramas, unpersönlich, unbekannt
• Zuschreibende Instanz: Figuren des Dramas, der*die implizite Autor*in, unpersönlich, unbekannt

[30]Ziel

• Charakter: Figuren des Dramas, unpersönlich, unbekannt
• Nicht-Charakter: Tier, Zustand, Ereignis oder Objekt

[31]Die Figurenangaben basieren auf den GerDracor-IDs oder von uns vorgegebenen IDs (die beispielweise über speaker-Angaben erschlossen wurden) also eindeutige IDs die für jede Replik markieren welche Figur oder Figuren des Dramas diese äußern.[23] Darüber hinaus unterscheiden wir zwischen einer Instanz, die eine Emotion empfindet (Experiencer) und einer Instanz, die einem Experiencer eine Emotion zuschreibt (Zuschreibende Instanz):

[32]›Unbekannt‹ wird zur Kennzeichnung des Verweises auf solche Figuren verwendet, die nicht in der ursprünglichen Figurenliste des Dramas enthalten sind, die die Standardauswahl darstellt, aus der die Annotator*innen auswählen können. Da manche Emotionsäußerungen sich nicht auf Figuren beziehen, sondern eher allgemeine Aussagen sind, wurde eine Kennzeichnung dieser Aussagen als ›unpersönlich‹ vorgenommen. Sie wird dann verwendet, wenn Aussagen mit Allgemeinheitsanspruch verwendet werden. Die Angabe ›impliziter Autor‹ ist zumeist nur bei Regiebemerkungen als Quellinformation für die Zuschreibende Instanz nötig. Beim ›impliziten Autor‹ handelt es sich um ein Konstrukt, das vom Lesenden als ordnende Instanz des literarischen Bedeutungsgeschehens angenommen wird. Es unterscheidet sich vom realen Autor / von der realen Autorin und vom Erzähler / von der Erzählerin dadurch, dass der implizite Autor immer nur eine Vorstellung bleibt, die sich niemals ganz mit dem / der realen Autor*in und dessen / deren Absichten deckt.[24]

[33]Tabelle 5 zeigt Statistiken zur Unterscheidung von impliziten und expliziten Quell- bzw. Ziel-Annotationen im Gesamtkorpus auf. Bei den Verteilungsinformationen ist dabei zu beachten, dass es möglich war, mehrere Figuren oder Konzepte mit einer Annotation zu bestimmen (z. B. »die zwei«). In solchen Fällen wird für jede Figur / jedes Konzept eine Annotation erstellt. Zu den Token-Statistiken ist zu erwähnen, dass in einem solchem Fall für explizite Annotationen immer die Texteinheit der ersten Markierung zur Kalkulation verwendet wurde, um adäquate Interpretationen zu ermöglichen.

[34]Im Verhältnis wurde wesentlich häufiger explizit als implizit annotiert. Dies kann dadurch erklärt werden, dass die Annotationsanweisung die explizite Annotation als präferierte Methode angegeben hat und die implizite Annotation nur gewählt werden sollte, wenn eine explizite Annotation nicht möglich war. Die Token-Statistiken zeigen, dass im Schnitt die meisten expliziten Annotationen aus 1 bis 2 Wörtern bestehen, vor allem Pronomen und Namen. Der Vergleich mit impliziten Annotation ist dabei nicht sinnvoll, die Token-Statistiken basieren hier auf den mit ihnen verbundenen Emotionen und sind hier nur der Vollständigkeit halber mit angegeben.

[35]Tabelle 6 illustriert die Verteilung für Quellen und Ziele und ihre ersten Untergruppen. Tabelle 7 wiederum für die weiteren Unterklassen.

[36]Das Verhältnis von Quell- zu Zielannotationen ist ca. 59 % zu 41 %. Quellen werden also häufiger ohne Ziel und mit mehr Figurenangaben im Vergleich annotiert. Quellen sind dabei meist Experiencer (80 %). Zielannotationen sind meist Figuren. Tabelle 7 zeigt auf, dass bei Experiencer, Zuschreibender Instanz und Charakter-Annotationen meist Figuren aus dem Drama annotiert wurden (89–94 %). Bei Nicht-Charakteren wurden vor allem Ereignisse (67 %) und Zustände (21 %) annotiert, Objekte (8 %) und Tiere (2 %) eher selten.

[37]Des Weiteren haben wir Verteilungsstatistiken von impliziten und expliziten Annotationen untersucht (Tabelle 8). Wir beschränken die Analyse dabei auf Quelle und Ziel insgesamt und die dazugehörigen Unterklassen, da die Verteilungen in den weiteren Unterklassen weitgehend gleichförmig sind.

[38]Es fällt auf, dass bei expliziten Angaben das Verhältnis von Quelle zu Zielen relativ gleich ist (50 % zu 50 %), während implizite Angaben vor allem für Quellen-Angaben genutzt wurden (78 %). Insgesamt zeigen sich bei Quellen-Angaben auch wesentliche Unterschiede in den Unterklassen. Während explizite Annotationen vor allem Experiencer betreffen, ist das Verhältnis bei impliziten Annotationen ausgeglichener. Zuschreibende Instanzen werden also vor allem implizit annotiert und sind selten explizit im Text identifizierbar.

[39]Bei der Auswertung der Quell- und Ziel-Informationen zeigen sich auch deutliche Unterschiede hinsichtlich der Frage, auf welche Arten von Zielen sich die Emotionen bezüglich Figuren und Objekten beziehen. Hier zeigt sich zum Beispiel, dass ›Leid‹ prozentual häufiger mit Nicht-Charakteren verknüpft ist (57 %) und sich seltener auf Figuren bezieht (42 %). Bei ›Freude‹ verhält es sich ähnlich wie bei ›Leid‹. Daraus lässt sich schließen, dass man über die Auswertung der Zielinformationen der Emotionen auch einen analytischen Zugriff auf die Handlung versuchen sollte. Andere Emotionen richten sich hingegen fast ausschließlich auf Figuren wie etwa ›Liebe‹ (98 % Figurenziele, 2 % Nicht-Charaktere). Ähnlich verhält es sich bei ›Mitleid‹ und ›Ärger‹.

6. Auswertungen der Kategorie ›Gender‹

[40]Um das Potenzial des Korpus zu illustrieren, werden im Folgenden erste Ergebnisse einer Fallstudie zum Zusammenhang von Gender, Emotionen und Quell- / Ziel-Informationen präsentiert. Gender umfasst dabei die Klassen FEMALE (weiblich), MALE (männlich) und UNKNOWN (unbekannt). Bei den annotierten Dramen sind die Gender-Information entweder bereits angegeben (Dramen aus GerDracor), oder sie wurden von uns manuell nachgetragen. Tabelle 9 zeigt die Verteilung von Gender (bzw. Nicht-Charakter-Klassen) pro Subemotionsklasse und Quell- / Ziel-Unterklasse. Im emotionalen Erleben der Figuren zeigen sich dabei deutliche Genderunterschiede.

[41]Der prozentuale Anteil an Quell- / Ziel-Zuweisungen ist für weibliche Figuren am höchsten für ›Verzweiflung‹ (51 %), gefolgt von ›Liebe‹ (46 %) und ›Mitleid‹ (46 %). Am geringsten ist er für ›Freundschaft‹ (20 %) und ›Schadenfreude‹ (22 %).

[42]Männliche Figuren haben den höchsten prozentualen Anteil in den Emotionsklassen ›Schadenfreude‹ (75 %) und ›Freundschaft‹ (75 %). Den geringsten Anteil haben sie für die Klasse ›Verzweiflung‹ (48 %). Während der große Anteil von ›Freundschaft‹ nicht überrascht, weil das Korpus einen größeren Anteil von rührenden und sentimentalen Dramen enthält, ist insbesondere der hohe Anteil an ›Schadenfreude‹ bemerkenswert. ›Verzweiflung‹ ist demgegenüber mit Passivität und einem Fehlen von Handlungsoptionen verknüpft, das bei männlichen Figuren vermutlich deswegen so selten ausgedrückt wird, weil es schnell Folgen hat (Tod bzw. Mord). Die größte genderbezogene Diskrepanz zeigt sich im Ausdruck von ›Freundschaft‹ (75 % bei männlichen Figuren vs. 20 % bei weiblichen Figuren) bzw. ›Schadenfreude‹ (75 % bei männlichen Figuren vs. 22 % bei weiblichen Figuren). Die Emotionsprofile sind folglich recht klar nach Geschlechtern unterscheidbar.

[43]Die Quell- und Ziel-Informationen können ebenfalls unabhängig von den Subemotionsklassen nach Geschlecht differenziert werden. Dabei zeigt sich, dass männliche Figuren häufiger Quelle und Ziel von emotionsbezogenen Aussagen als weibliche Figuren (59 % vs. 36 %) sind.

7. Schlussbemerkung

[44]Die Anwendungsbereiche unseres Korpus sind vielfältig: Wir haben mit einem vorläufigen Teilkorpus bereits eine eingehende Annotationsanalyse durchgeführt, die die Entwicklung von Emotionen in verschiedenen Dramen untersucht.[25] Die Hauptanwendung ist die Nutzung für maschinelle Lernaufgaben, um Algorithmen zur Emotionsklassifizierung zu entwickeln,[26] die wir zur Erforschung von Genreunterschieden[27] oder von Unterschieden in der Emotionsgestaltung in Regieanweisungen und Dialogtexten verwendet haben.[28]