Der vorliegende Beitrag stellt ein praxisorientiertes R-Skript für Philologiestudierende ohne Programmiervorkenntnisse vor. Anhand des
This paper presents a practice-oriented R script for philology students without prior programming experience. Using the
Die vorliegende Publikation ist als praktisches Beispiel für den Einsatz von R in der text- und datenbasierten Analyse konzipiert.
Das Material versteht sich als Vorlage: Die verwendeten Dateien und Einstellungen können leicht angepasst werden (z. B. an andere Korpora, andere Schlüsselwörter, weitere Visualisierungen), so dass das Skript in unterschiedlichen Lehrkontexten wiederverwendet und erweitert werden kann.
Der Einsatz von Programmiersprachen wie R in der philologischen Forschung stellt einen bedeutenden methodischen Wandel dar.
R ist für diese Art von Analyse besonders geeignet, weil es
- kostenlos und Open Source ist,
- eine sehr aktive wissenschaftliche Community hat,
- spezialisierte Pakete für Textanalyse bietet (z. B. tidytext, quanteda, stylo),
- Reproduzierbarkeit ermöglicht: andere Forscher*innen können unsere Analysen nachvollziehen;
- in der Entwicklungsumgebung RStudio eine vollständig integrierte Arbeitsumgebung bietet: Skript-Editor, Konsole, Datenobjekte und Visualisierungen sind in einem einzigen Fenster zugänglich, ohne dass externe Konfigurationen oder zusätzliche Werkzeuge erforderlich sind. Dies unterscheidet R von Arbeitsumgebungen wie Python, wo vergleichbare Workflows typischerweise mehrere Komponenten voraussetzen (Interpreter, Paketverwaltung, Jupyter Notebook oder Ähnliches), deren Einrichtung für Studierende ohne Programmiererfahrung eine Einstiegshürde darstellt.
Das vorgestellte Skript steht in der Tradition der Korpuslinguistik, angewandt auf politische Texte, und kombiniert quantitative Methoden mit qualitativer Interpretation – ein Vorgehen, das als methodisch notwendig gilt, wenn computergestützte Verfahren hermeneutisch fundiert und für die Zieldisziplin transparent bleiben sollen.
Die verfügbaren Lehrressourcen für den Einsatz von R in geisteswissenschaftlichen Curricula lassen sich grob in zwei Kategorien einteilen: technisch orientierte Einführungswerke und anwendungsorientierte Tutorials.
Eine wichtige Ausnahme bildet Kristine Hildebrandt,
Das vorliegende Tutorial setzt an diesem Desiderat an und orientiert sich an den Grundsätzen des projektbasierten Lernens,
Das in diesem Skript verwendete Korpus stammt aus dem
Die Reden wurden aus offiziellen Quellen (u. a. Websites des Bundespräsidenten und der Bundesregierung) gesammelt und im XML‑Format
Aktuelle Versionen des Korpus werden über Zenodo bereitgestellt, sodass das Material leicht nachnutzbar und zitierbar ist. In diesem R‑Skript verwenden wir den Teil des Korpus, der die Reden der Bundespräsidenten umfasst (Bundespräsidenten.xml). Die XML‑Struktur ermöglicht es uns, die Reden und ihre Metadaten systematisch zu analysieren.
Das vorliegende Tutorial entstand im Rahmen eines Seminars zur digitalen Philologie, das im vierten Studienjahr des Bachelorstudiengangs Lenguas Modernas (Moderne Sprachen) an der Universidad de Valladolid durchgeführt wurde. Die Teilnehmenden hatten sich auf Deutsch als Hauptfachsprache spezialisiert und brachten solide philologische Kenntnisse mit – Erfahrungen mit Programmiersprachen oder statistischen Auswertungstools besaßen sie jedoch nicht. Das Seminar verfolgte damit ein klar definiertes Ziel: die Einführung in R und in die Arbeitsumgebung RStudio als philologisches Werkzeug, nicht die informatische Kompetenz um ihrer selbst willen.
Die Lernziele des Seminars lassen sich in drei Dimensionen gliedern:
- Technisch: Grundlegende Bedienung von RStudio (Skript-Editor, Konsole, Environment, Plot-Fenster); Installation und Laden von Paketen; Lesen und Verarbeiten von XML-Dateien; Erstellen einfacher Visualisierungen mit ggplot2.
- Methodisch: Verständnis korpuslinguistischer Grundbegriffe (
Token ,Type ,Lemma ,Stoppwörter ,Type-Token-Ratio (TTR ),Konkordanz ); kritische Einordnung quantitativer Befunde im Verhältnis zu qualitativer Textinterpretation. - Epistemisch: Reflexion über die Möglichkeiten und Grenzen des
distant readingals Ergänzung – nicht Ersatz – für das philologischeclose reading.
Das Seminar folgte einem iterativen Aufbau: Jeder Block begann mit der Vorstellung eines Konzepts (z. B. scaffolded learning auf die konkrete Unterstützungsstruktur innerhalb der einzelnen Lerneinheiten.
Eine der methodischen Neuerungen dieses Seminars war die explizite Integration eines KI-Assistenzsystems – konkret Claude Sonnet von Anthropic – in den Lernprozess. Die Studierenden wurden ausdrücklich dazu ermutigt, beim Schreiben und Debuggen ihrer R-Skripte auf dieses Werkzeug zurückzugreifen, allerdings unter einer zentralen Bedingung: Der generierte Code musste verstanden und kommentiert werden, bevor er als Teil des eigenen Skripts akzeptiert wurde.
Diese Entscheidung gründet auf einer wachsenden empirischen Evidenz zur Rolle von Large Language Models (LLMs) im Programmierunterricht. Neuere Studien zeigen, dass KI-Assistenz den Erwerb von Programmierkenntnissen nicht notwendigerweise untergräbt, sondern – wenn sie reflektiert eingesetzt wird – kognitive Zugangshürden abbaut und das Verstehen vertiefen kann: Studierende, die KI nicht nur zur Codeproduktion, sondern zur aktiven Erklärung und Fehlerdiagnose nutzen, zeigen bessere Lernergebnisse als solche, die Code lediglich übernehmen.
Gleichwohl wurden im Seminar auch die Risiken dieses Ansatzes thematisiert: die Gefahr der unkritischen Übernahme von fehlerhaftem oder unverständlichem Code, die Tendenz zur Umgehung eigener Denkprozesse (
Zuerst brauchen wir das Korpus der Reden. Die Datei liegt im XML‑Format vor, also in einer strukturierten Textform mit Metadaten (Autor, Datum, Ort usw.).
Damit die Arbeit so einfach wie möglich ist, wird die Datei beim ersten Ausführen automatisch von Zenodo heruntergeladen. Sie müssen nichts manuell herunterladen.
Wir werden:
- Die notwendigen Pakete laden.
- Prüfen, ob die XML‑Datei im Arbeitsverzeichnis existiert.
- Falls nicht, das ZIP‑Archiv von Zenodo herunterladen und entpacken.
- Die Datei
Bundespräsidenten.xmlmitxml2::read_xml()in R einlesen. - Das vollständige R-Skript mit allen Codeblöcken, Kommentaren und Beispieldaten steht im GitHub-Repositorium der Autor*innen zur freien Nachnutzung zur Verfügung.
Nun wollen wir das XML in eine besser handhabbare Form bringen: eine Tabelle (
df <- tibble(
person = xml_attr(nodos_text, "person"),
titel = xml_attr(nodos_text, "titel"),
datum_raw = xml_attr(nodos_text, "datum"),
rohtext = xml_text(xml_find_all(xml_data, ".//rohtext"))
) |>
mutate(datum = ymd(datum_raw), jahr = year(datum))
head(df)
person datum ort jahr
Joachim Gauck 2016-05-02 Saarbrücken 2016
Joachim Gauck 2014-02-26 Schloss Bellevue 2014
Horst Köhler 2009-03-13 Madrid 2009
Joachim Gauck 2013-11-09 (leer) 2013
Horst Köhler 2009-12-06 Berlin 2009
Christian Wulff 2011-09-10 Schloss Bellevue 2011
Einige einfache Fragen, die wir jetzt sofort beantworten können: Wie viele Reden gibt es? (2045) Welche Bundespräsidenten kommen im Korpus vor? (sechs: Christian Wulff, Horst Köhler, Joachim Gauck, Johannes Rau, Richard von Weizsäcker, Roman Herzog) Welche Zeitspanne deckt das Korpus ab? (1984–2017)
Wir beginnen mit sehr einfachen quantitativen Auswertungen: Wie viele Reden hat jeder Präsident, und wie viele gibt es pro Jahr? Abbildung 1 zeigt die Gesamtzahl der Reden pro Bundespräsident als Balkendiagramm; Abbildung 2 stellt die zeitliche Verteilung nach Jahren dar. Als Übungsvarianten stehen ein farbkodiertes Balkendiagramm zur Verfügung (vgl. Abbildung 3), das dieselben Daten nach Präsidenten farblich differenziert, sowie ein Liniendiagramm derselben Zeitreihe (vgl. Abbildung 4), das die Entwicklung über den gesamten Erfassungszeitraum besonders anschaulich macht und sich als Einstieg in die diachrone Analyse eignet.
Die Ergebnisse von Block 2 sind auf den ersten Blick eindeutig: Joachim Gauck (588 Reden), Johannes Rau (568) und Horst Köhler (528) führen das Ranking an, während Richard von Weizsäcker mit lediglich 23 Reden das Schlusslicht bildet. Diese Zahlen einfach als Maß präsidialer ›Aktivität‹ zu lesen, wäre jedoch ein methodischer Fehler – und genau an dieser Stelle beginnt die philologische Interpretation.
Das Korpus ist nicht gleichmäßig verteilt. Das Balkendiagramm der Reden pro Jahr zeigt deutlich, dass das
Die Amtsdauer erklärt einen Teil der Varianz. Normiert man die absoluten Zahlen auf die Amtsdauer, ergibt sich ein anderes Bild: Christian Wulff etwa war nur gut zwei Jahre im Amt (2010–2012), bevor er infolge einer politischen Affäre zurücktrat – seine 204 Reden entsprechen damit einer bemerkenswert hohen Jahresrate. Joachim Gauck hingegen absolvierte eine volle fünfjährige Amtszeit (2012–2017), was die absolute Spitzenposition relativiert. Eine sinnvolle Ergänzung zu den absoluten Zählungen wäre daher die Berechnung der Reden pro Amtsjahr – eine Übung, die sich als Aufgabe für die Studierenden eignet.
Der Jahresverlauf zeigt strukturelle Muster. Das Balkendiagramm nach Jahren lässt zwei ausgeprägte Aktivitätsphasen erkennen: eine erste um 2001–2003 (Amtszeit Johannes Raus) und eine zweite zwischen 2012 und 2016 (Amtszeit Joachim Gaucks), mit Spitzenwerten von über 140 Reden pro Jahr. Der starke Einbruch am Ende der Zeitreihe – der letzte Balken fällt auf rund 25 Reden – markiert höchstwahrscheinlich ein unvollständiges Jahr in der Datenerhebung und sollte bei Folgeanalysen herausgefiltert werden. Diese Überlegungen illustrieren ein zentrales Prinzip der korpusgestützten Analyse: Quantitative Befunde sind Ausgangspunkte, keine Schlussfolgerungen. Jede Zahl verlangt nach einem historischen und methodischen Kommentar – eine Anforderung, die dem philologischen Ethos des genauen Lesens strukturell verwandt ist.
Jetzt wollen wir wissen, wie lang die Reden sind (in Zeichen, Wörtern, Sätzen). Wir können auch die mittlere Länge pro Präsident und pro Jahr berechnen (vgl. Abbildung 7).
Die quantitativen Grundmaße des Korpus sind aufschlussreich: Die durchschnittliche Rede umfasst 1.401 Wörter bei einem Mittelwert von 80 Sätzen – das entspricht einer vorgetragenen Dauer von etwa zehn bis fünfzehn Minuten und deutet auf ein Format mittlerer Länge hin, dass weder auf eine sehr kurze, noch auf eine außergewöhnlich lange Redeform hindeutet. Diese Zahlen sind jedoch Durchschnittswerte, die eine beträchtliche Varianz verbergen, wie Abbildung 5 unmittelbar zeigt.
Die Verteilung ist rechtsschief (vgl. Abbildung 5). Der Großteil der Reden konzentriert sich im Bereich von 500 bis 2.000 Wörtern, mit einem deutlichen Häufigkeitsgipfel um 750–1.000 Wörter. Gleichzeitig existiert ein langer rechter Ausläufer mit einzelnen Reden von über 5.000 Wörtern. Diese Tendenz ist diskursanalytisch interpretierbar: Das Korpus enthält zwei strukturell unterschiedliche Redetypen – kurze, zeremonielle Ansprachen (Glückwünsche, Eröffnungsworte, Danksagungen) und längere politische Grundsatzreden, in denen der Bundespräsident programmatisch zu gesellschaftlichen Fragen Stellung nimmt. Die Länge ist in diesem Sinne kein triviales Maß, sondern ein Indikator für die diskursive Funktion der jeweiligen Rede.
Der nach Präsidenten aufgeschlüsselte Boxplot (vgl. Abbildung 6) offenbart klare stilistische Differenzen. Roman Herzog und Richard von Weizsäcker weisen die höchsten Medianwerte und die breiteste Streuung auf – ihre Reden sind im Durchschnitt deutlich länger als die ihrer Nachfolger, was auf ein elaborierteres, argumentativ dichteres Redeformat hindeutet. Johannes Rau, Joachim Gauck und Horst Köhler zeigen niedrigere Mediane (unter 1.500 Wörter) mit zahlreichen Ausreißern nach oben: Sie hielten viele kurze Ansprachen, aber auch vereinzelte sehr lange Grundsatzreden. Christian Wulff hat den schmalsten Interquartilsbereich – ein Befund, der sich mit seiner kurzen, durch politische Krisen geprägten Amtszeit in Verbindung bringen lässt. Diese Unterschiede reflektieren zugleich Veränderungen im kommunikativen Format: Kürzere Reden können eine Anpassung an die Medienlogik moderner Öffentlichkeit signalisieren, in der prägnante Interventionen sichtbarer sind als ausführliche Argumentationen. Abbildung 7 veranschaulicht die durchschnittliche Redenlänge pro Bundespräsident und bestätigt, dass Roman Herzog und Richard von Weizsäcker mit Mittelwerten von über 2.000 Wörtern pro Rede deutlich über dem Korpusdurchschnitt liegen.
In der Korpuslinguistik unterscheiden wir: Token (jedes einzelne Vorkommen eines Wortes im Text), Type (jede einzigartige Form) und Lemma (die Grundform eines Wortes: ›spricht‹, ›sprach‹, ›gesprochen‹ sind verschiedene Tokens, gehören aber zum selben Lemma ›sprechen‹). Die Tokenisierung ist der Prozess, einen Text in Einheiten (normalerweise Wörter) zu zerlegen. Im Deutschen stellt dies eine besondere Herausforderung dar: Komposita wie ›Bundespräsident‹ werden als ein einziger Token gezählt, obwohl sie semantisch zwei Konzepte enthalten.
Stoppwörter sind sehr häufige grammatische Funktionswörter (Artikel, Präpositionen, Pronomen), die wenig semantische Information für Inhaltsanalysen liefern. Ihre Entfernung aus dem Analysekorpus hilft dabei, das distinktive thematische Vokabular zu identifizieren. Wir zerlegen die Reden zunächst in einzelne Wörter (d. h., die Datenstruktur wechselt von ›eine Rede pro Zeile‹ zu ›ein Wort pro Zeile‹) und entfernen anschließend die Stoppwörter. Die Häufigkeitsverteilung der verbleibenden Wörter ist in Abbildung 8 als Balkendiagramm dargestellt.
Bereits die Rohfrequenzliste zeigt einen methodisch bedeutsamen Befund: Das häufigste Wort vor der Stoppwortbereinigung ist ›dass‹ mit über 20.000 Vorkommen – ein Konjunktionalwort, das für die syntaktische Komplexität der deutschen Präsidentenreden charakteristisch ist. Abhängige Sätze mit ›dass‹ markieren argumentative Strukturen, Behauptungen und normative Aussagen (›Es ist wichtig, dass…‹, ›Ich glaube, dass…‹), die für die politische Rede typisch sind. Der hohe Wert ist damit nicht lexikalisch, aber grammatisch interpretierbar und rechtfertigt die Aufnahme des Wortes in die manuelle Stoppliste.
Das bereinigte Vokabular ist stark wertebezogen (vgl. Abbildung 8). Nach der Entfernung der Stoppwörter dominieren ›Menschen‹ (10.054), ›heute‹ (8.722), ›Deutschland‹ (8.034), ›mehr‹ (7.327) und ›immer‹ (6.717). Dieses Kernvokabular ist für präsidiale Reden hochgradig charakteristisch:
Das Lexem ›Europa‹ erscheint bereits unter den 30 häufigsten Wörtern (ca. 3.800 Belege) – ein Befund, der die Zentralität des europäischen Themas in den Präsidentenreden bestätigt und in Kapitel 12 einer detaillierteren Analyse unterzogen wird. Gleiches gilt für ›Gesellschaft‹, ›Geschichte‹, ›Zukunft‹ und ›Welt‹: Diese Lexeme beschreiben das typische thematische Repertoire des Amtes – ein Präsident, der historisch einbettet, gesellschaftlich reflektiert und zukunftsorientiert appelliert.
Eine methodische Einschränkung bleibt festzuhalten: Da die Texte nicht lemmatisiert wurden, werden flektierte Formen getrennt gezählt. So erscheinen ›deutschen‹ und ›deutsche‹ als separate Einträge, obwohl sie zum selben Lemma gehören. Eine Lemmatisierung würde die tatsächliche Reichweite dieser Konzepte im Korpus noch deutlicher sichtbar machen – und stellt, wie in den Schlussbemerkungen (Kapitel 14) skizziert, eine natürliche Erweiterung des hier vorgestellten Workflows dar. Hinzu kommt, dass bei der Tokenisierung sämtliche Wortformen klein geschrieben werden, wodurch auch Groß- / Kleinschreibungsunterschiede aufgehoben werden: So lassen sich etwa das Substantiv ›Deutsche‹ (im Sinne von ›Person deutscher Staatsangehörigkeit‹) und das Adjektiv ›deutsche‹ nach der Tokenisierung nicht mehr unterscheiden. Auch dieser Informationsverlust ließe sich durch ein vorgeschaltetes POS-Tagging vermeiden.
Eine Wortwolke ist eine sehr visuelle Art darzustellen, welche Wörter am häufigsten in einem Text oder Textkorpus vorkommen. Abbildung 9 zeigt die 100 häufigsten Wörter in den Reden Roman Herzogs; Abbildung 10 stellt dieselbe Visualisierung für die Reden Joachim Gaucks dar und eignet sich als Ausgangspunkt für den Vergleich zwischen einzelnen Präsidenten.
Die Wortwolke bestätigt visuell, was die Frequenztabelle aus Block 4 (Kapitel 7) bereits gezeigt hat: ›Menschen‹, ›heute‹ und ›Deutschland‹ dominieren das Korpus, gefolgt von einem dichten Cluster aus Wörtern wie ›Gesellschaft‹, ›Europa‹, ›Zukunft‹, ›Demokratie‹ und ›Freiheit‹, die das thematische Repertoire der Präsidentenreden sichtbar machen.
Als Visualisierungswerkzeug hat die Wortwolke klare didaktische Vorzüge: Sie ist intuitiv lesbar, visuell ansprechend und vermittelt auf einen Blick ein erstes Bild des dominanten Vokabulars. Dies macht sie besonders geeignet, um Studierende ohne Vorkenntnisse für die Möglichkeiten der Textanalyse zu motivieren. Für analytische Zwecke ist sie jedoch mit Vorsicht zu verwenden: Die Schriftgröße kodiert Frequenz, aber ohne Achsenbeschriftung sind die genauen Werte nicht ablesbar, und die zufällige Anordnung der Wörter kann semantische Zusammenhänge suggerieren, die im Text nicht existieren. Das Balkendiagramm aus Block 4 (vgl. Abbildung 8) bleibt das präzisere und wissenschaftlich nachvollziehbarere Instrument.
Ein besonders produktiver Einsatz der Wortwolke im Seminar war der Vergleich nach Präsidenten: Wenn Studierende die Wolke für Joachim Gauck (vgl. Abbildung 10) neben die von Roman Herzog (vgl. Abbildung 9) oder Johannes Rau stellen, werden stilistische und thematische Unterschiede unmittelbar sichtbar – auch ohne statistische Vorkenntnisse. Diese Art der explorativen Visualisierung dient als Einstieg in gezieltere Analysen, nicht als deren Ersatz.
Die Bigrammanalyse (vgl. Abbildung 11) liefert qualitativ andere Erkenntnisse als die Einzelwortfrequenzen: Während Tokens isolierte Lexeme zählen, zeigen Bigramme syntagmatische Muster – also Wörter, die der Präsident gemeinsam und wiederholt verwendet. Das Ergebnis ist diskursanalytisch aufschlussreich.
Das häufigste Bigramm ist ›unserem Land‹ (ca. 850 Belege), gefolgt von ›Europäischen Union‹ (ca. 760) und ›viele Menschen‹ (ca. 660). Diese drei Kollokationen beschreiben treffend die Grundkoordinaten präsidialer Rhetorik: eine nationale Rahmung (›unserem Land‹), eine europäische Einbettung (›Europäischen Union‹) und ein volksbezogener Appell (›viele Menschen‹). Interessant ist, dass ›Europäischen Union‹ und ›europäische Union‹ als zwei separate Einträge erscheinen – ein erneutes Indiz für die Grenzen einer nicht-lemmatisierten Analyse, bei der unterschiedliche Flexionsformen separat gezählt werden.
Einige Bigramme sind funktional-zeremonielle Formeln. ›Schloss Bellevue‹ (ca. 530), der offizielle Amtssitz des Bundespräsidenten, erscheint als häufiger Redeort und markiert Reden, die explizit dort gehalten wurden. ›Herr Präsident‹, ›Lieber Herr‹ und ›Herzlich willkommen‹ sind typische Anredeformeln, die auf die zeremonielle Dimension vieler Reden hinweisen. Ihr hohes Vorkommen erklärt teilweise den großen Anteil kurzer Reden im Korpus: Viele Texte sind Begrüßungsansprachen, keine politischen Grundsatzreden.
Diskursiv besonders bedeutsam sind die Bigramme ›immer mehr‹, ›junge Menschen‹ / ›jungen Menschen‹ und ›unserer Gesellschaft‹: Sie verweisen auf typische Argumentationsmuster des Amtes: demographische Herausforderungen, gesellschaftlicher Zusammenhalt und eine Tendenz zum sprachlichen Ausdruck kontinuierlicher Zunahme (›immer mehr‹), die auf normative Dringlichkeit schließen lässt. Das Bigramm ›Vereinten Nationen‹ (ca. 540) belegt zudem die außenpolitische Dimension der Präsidentenreden, die in der Einzelwortanalyse weniger sichtbar war.
Für Studierende ist der Vergleich zwischen Unigrammen (Kapitel 8) und Bigrammen besonders lehrreich: Erst in der Kollokation zeigt sich, ob ›Menschen‹ in einem sozialen (›viele Menschen‹, ›junge Menschen‹), einem normativen (›für die Menschen‹, hier als Trigramm) oder einem abstrakten Kontext verwendet wird. Allgemein spricht man hierbei von n-Grammen – zusammenhängenden Sequenzen aus n Wörtern, wobei Bigramme (n = 2) und Trigramme (n = 3) die gebräuchlichsten Fälle sind. Dies illustriert den Mehrwert der n-Gramm-Analyse gegenüber der einfachen Frequenzauszählung.
Die lexikalische Vielfalt, gemessen anhand der TTR (Type-Token-Ratio), also dem Verhältnis von Tokens und Types (unterschiedliche Wortformen), gibt an, welcher Anteil der Wörter in einer Rede unterschiedlichen Wortformen zuzuordnen ist. Abbildung 12 zeigt die Verteilung der TTR-Werte über das Gesamtkorpus. Außerdem lässt sich die sprachliche Komplexität eines Textes näherungsweise über die Anzahl der Wörter pro Satz bestimmen. In methodischer Hinsicht ist zu beachten, dass die TTR hier auf Basis der bereinigten Token-Liste (ohne Stoppwörter) berechnet wird, nicht auf dem Rohtext. Dies hebt die absoluten TTR-Werte gegenüber der klassischen Berechnung an und macht sie nicht direkt mit Studien vergleichbar, die die TTR auf den unbereinigten Text anwenden. Der intern konsistente Vergleich zwischen den Amtsinhabern bleibt jedoch valide.
Die Verteilung der TTR-Werte (vgl. Abbildung 12) zeigt ein annähernd normalverteiltes Bild, konzentriert zwischen 0,65 und 0,85, mit einem Gipfel um 0,72–0,75. Das bedeutet, dass im Durchschnitt etwa 72–75 % der Wörter einer Rede unterschiedliche Formen haben – ein Wert, der für die hier vorliegenden Reden mittlerer Länge auf ein abwechslungsreiches, aber nicht übermäßig technisches Vokabular hinweist.
Der Boxplot nach Präsidenten (vgl. Abbildung 13) zeigt, dass die Unterschiede zwischen den Amtsinhabern in absoluten TTR-Werten gering sind: Alle Mediane liegen zwischen 0,70 und 0,76. Roman Herzog und Richard von Weizsäcker weisen die höchsten Medianwerte auf, was konsistent mit ihren in Kapitel 7 beobachteten längeren Reden ist – ein scheinbarer Widerspruch, der sich auflöst, wenn man bedenkt, dass beide zahlreiche kurze Reden gehalten haben, die tendenziell höhere TTR-Werte aufweisen; da diese kurzen Reden den Großteil ihres Redekorpus ausmachen, liegt ihr Median entsprechend im oberen Bereich. Joachim Gauck, Horst Köhler und Christian Wulff clustern eng zusammen, was auf einen ähnlichen diskursiven Stil in Bezug auf lexikalische Variation hindeutet. Die größte Streuung zeigt Johannes Rau – er umfasst sowohl sehr knappe Begrüßungsansprachen als auch die längsten Grundsatzreden des gesamten Korpus.
Das Streudiagramm (vgl. Abbildung 14) offenbart eine strukturelle Gesetzmäßigkeit, die für die methodische Reflexion zentral ist: Je länger eine Rede, desto niedriger die TTR. Dieser negative Zusammenhang ist kein inhaltlicher Befund, sondern ein mathematisches Artefakt: In längeren Texten werden Wörter zwangsläufig häufiger wiederholt, was den TTR-Wert senkt, unabhängig vom tatsächlichen Reichtum des Vokabulars. Die sehr langen Reden (über 7.500 Wörter, überwiegend von Johannes Rau und Horst Köhler) weisen TTR-Werte unter 0,55 auf, während kurze Ansprachen unter 500 Wörtern TTR-Werte von über 0,90 erreichen können. Dieses Phänomen ist in der Stilometrie gut bekannt und hat zur Entwicklung längennormierter Maße wie
Für Studierende ist dieser Block besonders lehrreich, weil er die Grenzen quantitativer Maße direkt erfahrbar macht: Eine hohe TTR bedeutet nicht unbedingt einen reicheren Stil, sondern kann schlicht Kürze signalisieren. Die Interpretation verlangt, den Zahlenwert immer im Kontext von Textlänge und Gattung zu lesen – eine Übung im kritischen Umgang mit Daten, die über die Philologie hinaus Gültigkeit hat.
Die Begriffe, die wir im Folgenden analysieren, sind nicht willkürlich gewählt, sondern spiegeln zentrale Achsen der zeitgenössischen deutschen politischen Debatte wider: ›Europa‹ (die europäische Integration als konstitutives Thema der deutschen Nachkriegsidentität), ›Freiheit‹ (Grundbegriff der liberalen Demokratie und wiederkehrendes Thema nach der Wiedervereinigung), ›Krise‹ (Indikator für die Wahrnehmung politischer Dringlichkeit in verschiedenen Perioden) und ›Flüchtlinge‹ (Zentralität des Migrationsthemas insbesondere seit 2015). Die diachrone Analyse dieser Begriffe erlaubt es, die politische Agenda und die dominierenden Deutungsrahmen (
Abbildung 15 zeigt, wie oft der Begriff ›Europa‹ durchschnittlich pro Rede bei den einzelnen Bundespräsidenten vorkommt. Darüber hinaus erlaubt die
Das Gesamtvorkommen der vier Schlüsselbegriffe spiegelt unmittelbar die thematischen Prioritäten der Präsidentenreden wider: ›Europa‹ (5.973) und ›Freiheit‹ (3.630) dominieren mit großem Abstand vor ›Krise‹ (1.229) und ›Flüchtlinge‹ (368). Diese Rangfolge ist sowohl inhaltlich als auch historisch interpretierbar.
›Europa‹ ist das stabilste Grundthema des Amtes. Mit fast 6.000 Belegen über alle Amtsinhaber ist es das weitaus häufigste der analysierten Schlüsselwörter. Abbildung 15 zeigt jedoch erhebliche Unterschiede in der Intensität: Roman Herzog nennt Europa im Durchschnitt über 6-mal pro Rede – der höchste Wert im gesamten Korpus –, was mit seiner Amtszeit (1994–1999) zusammenhängt, in der zentrale europäische Integrationsschritte stattfanden (Maastricht-Vertrag 1993, Vorbereitung des Euro). Richard von Weizsäcker (ca. 4,2 pro Rede) und Joachim Gauck (ca. 3,2) folgen, während Johannes Rau und Horst Köhler trotz vieler Reden die niedrigsten Durchschnittswerte aufweisen – ein Befund, der zur Hypothese einlädt, dass europäische Themen in ihrer Amtszeit stärker auf andere Institutionen (z. B. Bundesregierung, Bundestag) delegiert wurden.
›Freiheit‹ ist ein Kernbegriff der deutschen politischen Identität, besonders nach der Wiedervereinigung 1990. Seine Häufigkeit (3.630) deutet auf eine kontinuierliche normative Rahmung hin, die sich durch alle Amtszeiten zieht. Die deutlich geringere Frequenz von ›Krise‹ (1.229) mag überraschen, ist aber funktional erklärbar: Bundespräsidenten meiden als staatstragende Institution tendenziell Krisenvokabular, das als alarmistisch wahrgenommen werden könnte. Diese These ist mit der KWIC-Funktion unmittelbar überprüfbar.
›Flüchtlinge‹ (368) ist mit Abstand das seltenste Wort der Liste, was angesichts der Prominenz des Themas in der deutschen Politik seit 2015 zunächst überrascht. Hier sei jedoch auf den Zeitschnitt des Korpus hingewiesen: Der Großteil der Reden stammt aus den Jahren vor 2016. Eine diachrone Analyse (Block 9, Kapitel 12) wird zeigen, ob die Frequenz dieses Begriffs in den letzten Jahren des Korpus deutlich ansteigt.
Die KWIC-Funktion erlaubt es, über das reine Zählen hinauszugehen. Die Beispielkontexte aus den Reden Horst Köhlers vom März und November 2009, dem Jahr nach der globalen Finanzkrise, ermöglichen eine direkte Überprüfung, ob ›Europa‹ in jenem Jahr in einem Krisenrahmen verwendet wird oder eher als positive Referenz. Diese Art der qualitativen Validierung quantitativer Befunde ist methodisch zentral: Frequenzen zeigen, wo zu lesen ist, die KWIC-Konkordanz zeigt, was dort steht.
Zum Schluss betrachten wir die diachrone Entwicklung von Begriffen wie ›Europa‹ und ›Freiheit‹. Abbildung 16 zeigt die relative Häufigkeit beider Begriffe pro Jahr über den gesamten Erfassungszeitraum des Korpus. Im Unterschied zu den bisherigen absoluten Zahlen gleicht die relative Häufigkeit die ungleichmäßige Verteilung der Reden über die Jahre aus (vgl. Block 2, Kapitel 5): Sie ergibt sich aus der Anzahl der Vorkommen eines Begriffs in einem bestimmten Jahr, geteilt durch die Gesamtzahl aller Tokens in diesem Jahr. Ein Wert von 0,009 bedeutet, dass der Begriff in besagtem Jahr etwa 9-mal pro 1000 Tokens vorkommt (bzw. 0,9 % aller Wörter ausmacht).
Das Liniendiagramm (vgl. Abbildung 16) ist die philologisch ergiebigste Visualisierung des gesamten Tutorials: Es macht sichtbar, dass quantitative Muster in politischen Texten nicht zufällig verteilt sind, sondern mit historischen Ereignissen korrespondieren, und damit interpretierbar werden. Dass diachrone Frequenzverläufe gesellschaftlich relevante Diskursverschiebungen abbilden können, hat sich auch in vergleichbaren Korpusanalysen deutschsprachiger politischer und medialer Texte gezeigt.
Der markanteste Befund ist der Doppelgipfel um 1990. Sowohl ›Europa‹ als auch ›Freiheit‹ erreichen in diesem Jahr ihre absoluten Höchstwerte im gesamten Korpus, mit ›Freiheit‹ klar an der Spitze (relative Häufigkeit über 0,009). Das Jahr 1990 markiert im unmittelbaren Nachklang des Mauerfalls von 1989 die deutsche Wiedervereinigung und den Beginn einer neuen europäischen Ordnung. Dies findet in den Präsidentenreden unmittelbar und eindeutig Niederschlag. Der Begriff ›Freiheit‹ wird in diesem Kontext nicht abstrakt verwendet, sondern als direkte Referenz auf ein historisches Ereignis, das die politische Identität der Bundesrepublik nachhaltig geprägt hat. Dieser Peak illustriert für Studierende exemplarisch, wie eine diachrone Frequenzanalyse als Seismograph politischer Geschichte funktioniert.
Nach 1990 folgt ein gemeinsamer Rückgang beider Begriffe, der bis etwa 2002 anhält. Die relative Häufigkeit stabilisiert sich danach auf einem niedrigeren Niveau (zwischen 0,002 und 0,004, d. h. etwa 2 bis 4 Vorkommen pro 1.000 Tokens), mit moderaten Schwankungen. Dies lässt sich als Normalisierung des Diskurses interpretieren: Die außerordentliche historische Situation der Wendezeit wich einem routinierteren Redeformat der konsolidierten Demokratie.
Ab ca. 2014 zeigt ›Europa‹ einen deutlichen Wiederanstieg, der bis zum Ende des Korpus anhält und kurz vor 2016 seinen zweiten Gipfelwert (ca. 0,006) erreicht. Dieser Anstieg fällt zeitlich zusammen mit der Eurokrise (2010–2015), der Ukraine-Krise (2014) und dem Brexit-Referendum (2016), also mit Ereignissen, die den europäischen Zusammenhalt in Frage stellten und das Thema wieder auf die präsidiale Agenda brachten. ›Freiheit‹ hingegen zeigt in diesem Zeitraum keinen vergleichbaren Anstieg und bleibt auf niedrigem Niveau, was darauf hindeutet, dass die Bedrohungswahrnehmung der 2010er Jahre eher geopolitisch als freiheitsbezogen gerahmt wurde.
Die in den vorangehenden Kapiteln eingeführten Methoden sind mächtige Explorationswerkzeuge, aber keine neutralen Messinstrumente. An mehreren Stellen dieses Tutorials sind wir auf spezifische Grenzen gestoßen, die hier zusammenfassend reflektiert werden.
Die wichtigste technische Limitation ist das Fehlen einer Lemmatisierung. Wir haben in den Blöcken 4 und 6 (Kapitel 8 und 10) beobachtet, dass flektierte Formen desselben Lexems (z. B. ›deutschen‹, ›deutsche‹, ›deutschem‹) als separate Types gezählt werden und im Ranking separat erscheinen. Dadurch wird systematisch die tatsächliche diskursive Reichweite zentraler Konzepte unterschätzt. Ähnliches gilt für die Satzsegmentierung (Block 3, Kapitel 6), die über einfache Zeichenregeln approximiert wurde, und für den TTR-Wert (Block 7, Kapitel 10), dessen mathematische Abhängigkeit von der Textlänge eine direkte Vergleichbarkeit zwischen Reden unterschiedlicher Länge verhindert. Diese Einschränkungen sind durch den Einsatz von POS-Taggern wie udpipe, längennormierten Diversitätsmaßen wie MATTR oder syntaktischen Parsern lösbar. So zeigt Abbildung 17 den Unterschied zwischen lemmatisierter und nicht-lemmatisierter Analyse. Eine nähere Diskussion dieser Analyse übersteigt jedoch den Rahmen einer Einführungsveranstaltung und wird als Erweiterungsoption in den Schlussbemerkungen aufgeführt.
distantund
close reading
Quantitative Methoden sind ein Explorationswerkzeug, kein Ersatz für genaues Lesen. Numerische Muster müssen philologisch interpretiert werden: Ein Peak in der Frequenz von ›Krise‹ zeigt uns, wo wir hinschauen sollten, aber die präzise Bedeutung erfordert das Lesen der Reden in ihrem historischen und rhetorischen Kontext. Die in diesem Tutorial eingeübte Kombination aus quantitativer Exploration und qualitativer Validierung, die exemplarisch in der KWIC-Funktion realisiert wurde, ist methodisch der Kern der zeitgenössischen Digital Humanities: nicht distant reading statt close reading, sondern distant als Orientierung für close reading.
Die praktische Erprobung dieses Tutorials im Seminarkontext hat eine Reihe von Beobachtungen erbracht, die über die technische Dokumentation hinaus für Lehrende von Interesse sein dürften.
Der projektbasierte Ansatz mit einem realen, inhaltlich relevanten Korpus erwies sich als entscheidender Motivationsfaktor. Studierende, die zu Beginn des Seminars skeptisch gegenüber Programmierung waren, zeigten hohes Engagement, sobald die ersten Visualisierungen eigene Hypothesen über das sprachliche Verhalten der Bundespräsidenten bestätigten oder widerlegten. Besonders wirksam war der Moment, in dem die Wortwolke (vgl. Abbildung 9) und das Frequenzdiagramm (vgl. Abbildung 8) zum ersten Mal erschienen: Das unmittelbare Erkennen bekannter Begriffe (›Menschen‹, ›Europa‹, ›Freiheit‹) schuf eine Brücke zwischen dem philologischen Vorwissen der Studierenden und der neuen Methode.
Die Blöcke mit dem stärksten Lerneffekt waren Block 4 (Kapitel 7: Tokenisierung und Stoppwörter) und Block 9 (Kapitel 12: diachrone Entwicklung). Im ersten Fall löste die Frage, welche Wörter aus der Analyse ausgeschlossen werden sollen und warum, lebhafte Diskussionen über die Grenzen von Automatisierung aus: Ist ›müssen‹ ein Stoppwort? Sollte ›heute‹ herausgefiltert werden? Diese Debatten zeigten, dass die Studierenden begonnen hatten, methodisch zu denken. Im zweiten Fall produzierte die Visualisierung des Höhepunkts von ›Freiheit‹ im Jahr 1990 (vgl. Abbildung 16) spontane historische Kontextualisierungen, ohne dass die Lehrperson eingreifen musste.
Die größten technischen Hürden lagen erwartungsgemäß in der Installation der Pakete und im Umgang mit Fehlermeldungen. Viele Studierende hatten R und RStudio noch nie gestartet und reagierten auf rote Ausgaben in der Konsole zunächst mit Verunsicherung. Hier bewährte sich der Einsatz des KI-Assistenten (Claude Sonnet 4.5): Studierende beschrieben ihre Fehlermeldungen in eigenen Worten und erhielten unmittelbare Erklärungen, was den Unterrichtsfluss erheblich verbesserte. Kritisch bleibt jedoch, dass einige Studierende dazu neigten, KI-generierten Code zu übernehmen, ohne ihn zu verstehen. Diese Tendenz konnte durch die Anforderung, jeden Code-Block zu kommentieren und im Plenum zu erklären, teilweise abgefedert werden.
Ein konzeptuell schwieriger Moment war die Auseinandersetzung mit dem TTR-Artefakt in Block 7 (Kapitel 10): Der Befund, dass kürzere Reden automatisch höhere TTR-Werte aufweisen, unabhängig von ihrem tatsächlichen Wortreichtum, erforderte eine explizite Thematisierung der Grenzen quantitativer Maße und war für viele Studierende die erste bewusste Erfahrung damit, dass Zahlen interpretierungsbedürftig sind.
Im Anschluss an das gemeinsame Tutorial erarbeiteten die Studierenden eigene kleine Analysen, in denen sie das Skript auf abgewandelte Fragestellungen anwendeten, z. B. den Vergleich zweier Präsidenten nach Lexik, die Analyse eines anderen Schlüsselbegriffs (›Demokratie‹, ›Familie‹, ›Wirtschaft‹) oder die Erstellung präsidentenspezifischer Wortwolken. Diese Arbeiten zeigten, dass das Skript als Vorlage funktioniert: Der Code war für alle Studierenden modifizierbar, ohne dass tiefgehende Programmierkenntnisse erforderlich waren. Die Qualität der Interpretationen variierte stark und reichte von rein beschreibenden Kommentaren bis hin zu kontextualisierenden Analysen mit historischen Referenzen. Das weist auf die Notwendigkeit hin, die philologische Interpretationskompetenz parallel zur technischen Einführung explizit zu fördern.
Das Tutorial vermittelt nicht nur R-Kenntnisse, sondern eine Haltung gegenüber Texten: die Bereitschaft, sie als strukturierte, messbare Daten zu betrachten, ohne ihre hermeneutische Dimension preiszugeben. Die Vorlage ist auf andere Korpora, Sprachen und philologische Fragestellungen übertragbar; der Einsatz im Fremdsprachenkontext (Germanistik an einer spanischsprachigen Universität) hat gezeigt, dass quantitative Methoden den close-reading-basierten Zugang produktiv ergänzen.