In unserem ersten, noch rein manuellen Schritt der quantitativen Analyse von dramatischen Figuren orientieren wir uns an Franco Morettis ursprünglicher Konzeption von Distant Reading, Inzwischen gilt Distant Reading als Inbegriff quantitativer Analysen im Bereich digitaler Geisteswissenschaften. Vgl. Weitin et al. 2017, S. 162. die er erstmals in seinem Essay Moretti 2000b. 2000 konturierte. Moretti bestimmt Distant Reading dort als ›second-hand‹ criticism, als patchwork of other people’s research, without a single direct textual reading. Moretti 2000b, S. 57. In Anbetracht seines ambitionierten Fokus auf Weltliteratur – er nimmt sich hierfür Goethe sowie Marx und Engels zum Vorbild – Vgl. Moretti 2000b, S. 54. schlägt er mit einiger Polemik vor, auf die Lektüre von Primärliteratur zugunsten von Sekundärliteratur, also bereits existierender Expertise, die es nur mehr zusammenzutragen gelte, zu verzichten. Er versucht damit eine geeignete Methode für den Umgang mit literaturgeschichtlichen Fragestellungen zu finden, die sich nicht nur auf kanonische Texte beschränken, da diese nach Moretti not even one per cent of published literature Moretti 2000b, S. 55. Vgl. dazu auch Moretti 2000a, S. 226. ausmachen würden.

Obwohl methodisch unterspezifiziert bietet Morettis frühes distant reading-Verständnis für unsere Analyse der Dramenfiguren eine fruchtbare Perspektive. Denn die computationelle Untersuchung und automatische Identifizierung verschiedener Figurentypen erfordert einerseits einen theoretischen Unterbau, der die Typologie plausibilisiert. Andererseits werden aber auch annotierte Daten benötigt, die Eigenschaften und Merkmale der Figuren auszeichnen, um auf Basis derer eine Zuordnung zu einem Figurentypus zu ermöglichen. Die manuelle Klassifizierung literarischer Figuren lässt sich demnach als Operationalisierungsproblem für Menschen bezeichnen.

Sowohl für mögliche Typologien als auch für die zu betrachtenden Eigenschaften der Figuren wurden in der Forschung bereits verschiedene Vorschläge zur Diskussion gestellt. In seiner grundlegenden schlägt Vladimir Propp eine Klassifikation vor, die auf seven areas of action Jannidis 2014, S. 35.basiert, also die Handlungsmuster der Figuren in den Vordergrund rückt. Vgl. Propp 1972, S. 79–83. Das Handeln von Figuren ist jedoch nur eine Möglichkeit, um zwischen verschiedenen Figurengruppen zu unterscheiden. Weitere, potentiell unterscheidungstragende Eigenschaften könnten beispielsweise das Geschlecht, die Nationalität, der soziale Status oder das Alter der Figuren sein. Vgl. Detken / Schonlau 2014, S. 11 und Schonlau 2010, S. 82. Edward Morgan Forster unterscheidet 1927 ganz basal zwischen ›runden‹ und ›flachen‹ Figuren:

Flat characters were called ›humorous‹ in the seventeenth century, and are sometimes called types, and sometimes caricatures. […] In their purest form, they are constructed round a single idea or quality: when there is more than one factor in them, we get the beginning of the curve towards the round. Forster 1927, S. 103f.

Diese Dichotomie wurde jedoch als stark reduktiv empfunden, da sie die degrees and nuances found in actual works of narrative fiction Rimmon-Kenan 2002, S. 40f. vernachlässige oder sogar tilge. Angesichts dieser Kritik entstanden differenziertere Taxonomien. Baruch Hochman etwa warb 1985 für acht dichotome Kategorien wie Wholeness vs. Fragmentariness, Dynamism vs. Staticism oder Stylization vs. Naturalism. Vgl. Hochman 1985, S. 89, zitiert nach Fishelov 1990, S. 424. In der Dramengeschichte sind es vor allem drei Konzepte, die zur Kategorisierung von ein- und mehrdimensionalen Figuren herangezogen werden: Personifikation, Typ und Individuum. Während die Personifikation einer realen Figur gegenüber am abstraktesten ist, Pfister 2001, S. 244. verberge sich hinter einer als Individuum konzipierten Figur die Intention, das Einmalige und Unwiederholbare hervorzukehren. Pfister 2001, S. 245. Anders als Figurentypen, die vom Individuellen abstrahieren, um ein überindividuelles Allgemeines repräsentieren zu können, müsse die individuelle Figur über ihre soziale, psychologische und ideologische Typik hinaus spezifiziert Pfister 2001, S. 245. Figuren zeichnen sich zudem durch je verschiedene Konzeptionen aus: geschlossen vs. offen und transpsychologisch vs. psychologisch. Vgl. Pfister 2001, S. 246–249. werden.

Als Input für die computergestützten Analysen fertigen wir manuelle Annotationsdaten an, in denen jede Figur unseres Dramenkorpus einer in der Figurentypologie verankerten Figurengruppe zugeordnet wird. Dafür folgen wir Morettis Vorschlag, betreiben also zunächst Second-Hand Criticism. Um Eigenschaften und Charakterzüge möglichst vieler dramatischer Figuren bestimmen zu können – das schließt die eingehende Betrachtung jedes einzelnen Dramas im Korpus aus –, haben wir in einer ersten Annotation von der literaturwissenschaftlichen Forschung akkumuliertes, idealiter konsensuales (Handbuch-)Wissen konzentriert. Literatur- und Dramengeschichten, Handbücher, Lexika usw. wurden auf Zuschreibungen an die Figuren ausgewertet, die in den Stücken unseres Analysekorpus auftreten. Mit Jörg Schönert gesprochen haben wir also versucht, möglichst kodifiziertes Wissen, das also geprüft, akzeptiert und weitgehend entproblematisiert ist, zusammenzuführen. Schönert 2015, S. 324f. Ergebnis dieses Distant Reading ist ein Katalog von Charaktereigenschaften und Merkmalen, der mit Informationen zu Geschlecht oder Familienrelationen kombiniert werden kann, die oftmals bereits durch das zu Beginn eines Dramas gelistete Figurenverzeichnis zu erschließen sind.

Anhand von Lessings 1755 uraufgeführter veranschaulichen wir diesen Eigenschaftenkatalog nachfolgend. Wir konzentrieren uns dabei exemplarisch auf die titelgebende Figur des Stücks. Sara ist, wie einleitend bereits ausgeführt, die Tochter von Sir William Sampson, einem britischen Landadeligen. Tabelle 2 zeigt ihre annotierten Eigenschaften anhand von sechs Überblicksdarstellungen der Sekundärliteratur. Obwohl diese verschieden ausführlich in ihrer Figurencharakterisierung und -beschreibung sind, zeichnen sie ein recht konsistentes Bild. Sara wird von der Forschung als tugendhaft und empfindsam beschrieben, ihr Handeln sei durch eine ihr eigene Gefühlsmoral bestimmt und ihre Liebe zu Mellefont übersteigt sogar die Autorität des Vaters.

Das in diesem Eigenschaftenkatalog akkumulierte Wissen – also die sozialen, physischen und handlungsrelevanten Merkmale einer Figur – nutzen wir in der Folge für die Ausbildung der Figurentypologie und die Zuordnung der dramatischen Figuren. Wichtige Orientierung für diese Typologie bietet das für das Theater des 18. und frühen 19. Jahrhunderts so einflussreiche Rollenfachsystem. Wir versuchen dabei, die von Diebold angedeuteten Zusammenhänge von literarischem Figurentypus und Rollenfach analytisch zu verbinden. Vgl. Diebold 1978, S. 10. Demnach müsste es möglich sein, konsistente Gruppen von Figuren zu finden, die einerseits demselben Rollenfach entstammen, also eine spezifische Art des Schauspiels erfordern, andererseits aber auch hinsichtlich ihrer textbasierten Eigenschaften als gruppenbildend aufgefasst werden können. Da sich theaterhistorisch beides nicht immer eindeutig trennen lässt, denken wir das Rollenfach hier mit, obgleich für unsere textbasierten Analysen der Figurentypus die zentrale Kategorie ist. Dazu auch Platz-Waury 1999, S. 81: Die Rollenfächer würden daran erinnern, dass die Tendenz zur Typisierung mit der dramatischen Figurenkonzeption eng verbunden ist. Ein Figurentyp in unserem Sinne ließe sich dann als eine Menge ähnlicher Figuren definieren, die bestimmte Eigenschaften und Merkmale teilen, die sie wiederum gegen andere Figuren hin abgrenzbar machen. Vgl. Eder et al. 2010, S. 38–42. Die Herausforderungen bei der Ausdifferenzierung verschiedener Figurentypen wie auch der anschließenden Kategorisierung der Figuren, verdeutlicht Fishelov, der eine Spannung betont zwischen der individuality of a character and the fact that this very individual is an ›intersection‹ of abstract typical traits. Fishelov 1990, S. 422. Das Bestreben einer quantitativen Analyse fügt dieser Spannung eine weitere Dimension hinzu: Eine binäre Unterscheidung zwischen weiblichen und männlichen Figuren allein ist etwa kaum hinreichend, um eine homogene Gruppe herauszubilden. Sie kann aber – kombiniert etwa mit weiteren Merkmalen wie dem Alter der Figuren oder ihrer sozialen Stellung – ein erster Schritt zur Typenbildung sein. Der Anspruch, auch edle und ernsthafte Väter, polternde Alte, zärtliche, launigte Väter, freundliche, gütige, vornehme alte Herren, gefoppte Vormünder, hartherzige, bürgerliche Väter, drollige Hausväter usw. Doerry 1926, S. 11. zu unterscheiden, ist jedoch aufgrund der nur noch marginalen Abweichungen sicherlich zu feingranular, nicht nur mit Blick auf die automatische Klassifizierung und die dafür benötigten Annotationsdaten. Es gilt also einen Skalierungsmodus zu finden, der die Komplexität einzelner literarischer Figuren so gut als möglich achtet, gleichzeitig aber auch die Grenzen ihrer computationellen (und mithin ihrer literaturwissenschaftlichen) Identifikation nicht überschreitet.

Aus diesem Grund verfolgen wir eine Doppelstrategie, die durch unterschiedliche Erschließungstechniken gekennzeichnet ist. Anhand des erarbeiteten Eigenschaftenkatalogs, der die in der Sekundärliteratur gelisteten Charakterzüge zusammenführt, nehmen wir eine erste Bottom-up-Verortung vor, die der Erschließung von möglichen Zuschreibungen an die Figuren dient: Aus den Rollenfächern abgeleitete Typisierungen wie ›Liebhaberin‹, ›Vaterfigur‹ oder ›Bedienstete‹ werden dabei um spezifizierende Zuschreibungen ergänzt, wie etwa durch Handlungsfunktionen (›intrigiert‹, ›ist Bote‹) oder durch die Zugehörigkeit zu einem Stand (›Adel‹, ›Klerus‹). Die dadurch entstehende Liste umfasst insgesamt 43 Attribute, von denen jeder Figur bis zu vier zugewiesen wurden. Es handelt sich hierbei um keine arbiträr gesetzte theoretische Obergrenze. Die Zahl ergibt sich stattdessen induktiv aus den Annotationsdaten. Hiermit sind alle Figuren unseres Korpus zumindest durch eines der 43 Attribute verschlagwortet und damit zugleich einer Gruppe von Figuren zugehörig, die diese Zuschreibungen verbindet. Es handelt sich hierbei also um eine approximative Operationalisierung von Figurenähnlichkeit, die sich an einer Annäherung an Figurentypen versucht. Vgl. zur approximativen Operationalisierung das Vorgehen von Reiter / Willand 2018, insbesondere S. 54, 69. Die annotierten Attribute – ›Mutter‹, ›Liebhaberin‹, ›Adelige‹, ›Militär‹, ›Gegenspieler‹, ›Künstler‹ usw. – sind zwar verwandt mit dem Zielphänomen Figurentypus, aber nicht deckungsgleich. Sie bleiben eher abstrakt und tragen deshalb vor allem indirekt zur Figurencharakterisierung bei. Die vorgenommene Formalisierung und Generalisierung kann im Einzelfall sogar dazu führen, dass wohlbekannte Informationen über die Figureneigenschaften nicht berücksichtigt werden können, da diese Informationen nicht als Attribut verschlagwortet wurden. Zu diesen unberücksichtigten Informationen gehört teilweise literaturwissenschaftliches Basiswissen, das in hohem Maße relevant für die Textinterpretationen ist, in unserem Ansatz aber nicht beachtet wurde (wie etwa die Frage, ob eine Figur den Freitod wählt, Mörder*in ist etc.). Unsere Prämisse für die Zuordnung von Attributen war es, sowohl unter Berücksichtigung dramengeschichtlicher Entwicklungen – etwa der Etablierung bürgerlicher Trauerspiele – als auch den innerfiktionalen Realitäten der Dramen, plausible Übereinstimmungen zu ermöglichen. Tabelle 3 listet beispielhaft fünf Figuren und die ihnen zugewiesenen Annotationen.

Die zweite Erschließungstechnik folgt einer umgekehrten Bewegung (Top-down). Ausgangspunkt waren hier nicht die Eigenschaften einzelner Dramenfiguren, sondern die bereits in der Forschung als solche diskutierten Figurentypen. Wir beschränken uns dabei bewusst auf drei stärker rezipierte Typen: den ›zärtlichen Vater‹, die ›tugendhafte Tochter‹ und den/die ›Intrigant*in‹. Die Zuordnung von Figur zu Figurentyp stützt sich hierbei nur noch in Teilen auf den Eigenschaftenkatalog, sie ist stattdessen zu einem großen Teil durch die Forschung und mitunter die Lektüre der Primärtexte fundiert. Der nachfolgende Abschnitt erläutert die drei gewählten Figurentypen und begründet die Auswahl der zugeordneten dramatischen Figuren. Wir beginnen mit den ›tugendhaften Töchtern‹.

Das Konzept ist Brita Hempels Monografie entlehnt und stellt den Versuch dar, das breite Feld der Töchter und Liebhaberinnen zu strukturieren. Vgl. dazu auch Fischer-Lichte 1999, S. 300–309. Ziel ist es, eine möglichst vergleichbare Gruppe an Figuren zu kondensieren, die eine Mehrheit an Eigenschaften teilt. Hempel kategorisiert Sara Sampson, Emilia Galotti und Luise Miller als ›tugendhafte Töchter‹, die in ihrem Verhalten kindliche Liebe und kindlichen Gehorsam mit weiblicher Tugend, mit Häuslichkeit und mit der in der empfindsamen Familie in besonders hohem Maße von den Frauen geforderten Kunst des Ausgleichens und Zurücksteckens vereinen würden. Hempel 2006, S. 32. Dass der Tugendbegriff ein Schlüsselwort für solche Tochterfiguren ist, Siehe auch Fischer-Lichte 1999, S. 309: Die Tugend der Tochter [...] bleibt durchgehend positives Leitbild der bürgerlichen Dramatik des 18. Jahrhunderts. Erhellend sind hierfür auch die Ausführungen von Cornelia Mönch, die die unterschiedlichen poetologischen Programme von Lessings und Johann Gottlob Benjamin Pfeils (1756), die häufig als Schwesterfigur der Sara rezipiert wurde, gegeneinanderstellt. Vgl. Mönch 1993, S. 13–29. betont auch Friedrich Vollhardt in seiner Lessing-Monografie, wenn er mit Blick auf Sara Sampson urteilt, dass sie im Drama als Inbegriff tugendhafter Weiblichkeit vorgestellt werde. Vollhardt 2018, S. 125. Dazu auch Stephan 1985, S. 8, die postuliert: Die Tugend ist das Thema, um das alle Gespräche kreisen. Sowohl in den beiden bürgerlichen Trauerspielen Lessings als auch in Schillers nimmt die Vater-Tochter-Beziehung die zentrale Stellung innerhalb des familiären Zusammenlebens ein. Siehe dazu auch die vergleichbaren Muster in der Figurenkonstellation von und bei Alt 2000, S. 354: Louise ist mit ihrer Mischung aus Empfindsamkeit, Furcht und Tatkraft fraglos eine Wahlverwandte von Lessings Titelheldin [Emilia]; in der aufgeklärten Mätresse Lady Milford läßt das Drama die Gräfin Orsina aufleben, daß der Musiker Miller dem biederen Hausvater Odoardo Galotti, seine Frau wiederum der ehrgeizigen, aber naiven Claudia nachempfunden ist, bleibt ebenso offenkundig wie die Nähe zwischen den windigen Intrigantengestalten Marinelli und Wurm. Die Töchter würden auf die väterliche Zuneigung heftig und beinahe schwärmerisch reagieren. Bei Emilia steigert sich dieser Eindruck zusätzlich durch ihr Verhältnis zu ihrem Bräutigam, das konventionell und kühl sei und sich somit deutlich von der Vater-Tochter-Beziehung absetze. Kaiser 1984, S. 18.

Neben die drei von Hempel geführten Beispiele haben wir zwei weitere Tochterfiguren gestellt, die den größeren Kreis der ›tugendhaften Töchter‹ abstecken und Sara Sampson, Emilia Galotti und Luise Miller literaturgeschichtlich einrahmen. Es handelt sich um Lottchen aus Christian Fürchtegott Gellerts und die Titelfigur Agnes Bernauer aus Friedrich Hebbels gleichnamigem Trauerspiel. Während Gellerts Rührstück nur kurz vor veröffentlicht wurde, liegt zwischen Lessings Trauerspiel und Hebbels fast ein ganzes Jahrhundert. Zwar wird sie von ihrem späteren Mann Albrecht als ehr- und tugendsame Augsburger Bürgertochter Hebbel 1963a, S. 731. verteidigt und auch die typischen Bestandteile des bürgerlichen Trauerspiels scheinen vordergründig alle vorhanden – die Liebesbindung zwischen Albrecht und Agnes, der sich daraus entspinnende Ständekonflikt, die Vater-Tochter-Beziehung (hier zusätzlich ergänzt um eine Vater-Sohn-Beziehung). Vgl. Durzak 2001, S. 84f. Hebbel akzentuiere das Trauerspiel im 5. Akt jedoch so, daß eigentlich jene aufklärerische Perspektive verlorengeht, die das bürgerliche Trauerspiel in seinen herausragenden Beispielen so wichtig macht, nämlich dass die Moralität und das Glück des einzelnen Menschen jenseits jeglicher Standesbindung allmählich zur Basis des Lebens werde[]. Durzak 2001, S. 85. Obwohl sie teilweise als »Hebbels ›Luise Millerin‹« gelesen wurde, Brittnacher 1996, S. 78. Dort heißt es: Die vom rebellischen Pathos des Dramas eingenommenen Interpreten lasen die Agnes Bernauer, als handele es sich um Hebbels ›Luise Millerin‹, stand doch die aus dem bürgerlichen Trauerspiel geläufige Opposition von aufklärerisch schwärmerischem Freiheitspathos und abgeklärt zynischer Staatsapologie als vieldeutiger Konflikt auch im Zentrum von Hebbels ›deutschem Trauerspiel‹. hebt sich also nicht nur in der Entstehungszeit von den übrigen Dramen ab. Der zur Katastrophe führende Konflikt entzündet sich nicht mehr an der Reinheit und Unschuld der Tochter – die Heirat von Agnes und Albrecht ist nämlich längst vollzogen und hat letztlich auch den Segen des Vaters Caspar Bernauer erhalten –, sondern an dem Zerbröckeln von Differenzen, auf deren Geltung der Staat gegründet ist. Brittnacher 1996, S. 92.

Das Adjektiv ›zärtlich‹ wurde im späten 18. Jahrhundert im Umfeld bürgerlicher Trauerspiele und Familiengemälde zur Ausdifferenzierung von Rollenfächern verwendet, wie Anja Schonlau in ihrer Monografie betont. Schonlau 2017, S. 45. Diese Ausdifferenzierung wird etwa in Figuren des ›zärtlichen Vaters‹ evident, die wir zu Beginn unseres Beitrags anhand Sara Sampsons Vater Sir William exemplarisch konturiert haben. Die Reihe der ›zärtlichen Väter‹ haben wir zusätzlich zu William Sampson um die Figuren Odoardo Galotti ( ), Cleon ( ), Musikus Miller ( ) sowie Lord Berkeley ( ) ergänzt.

Was zeichnet diese Väter nun aus? In seiner Studie zum Rollenfach des 18. Jahrhunderts urteilt Bernhard Diebold, dass [d]ie ›zärtlichen‹ und gewöhnlich zugleich auch ›raisonnierenden‹ Väter [...] nichts als gut und milde wären, das beste wollen und moralisch reden würden. Diebold 1978, S. 104. Erst mit Gellerts beginne jedoch im realistischen bürgerlichen Milieu der zärtliche Vater den Raisonneur zu überwiegen. Das schließe eine gewisse Verdrießlichkeit aber keinesfalls aus, so dass der Übergang etwa zum ›polternden Vater‹ fließend sei. Denn operational voneinander zu trennen, seien die spezifischeren Fächer des Vaters beziehungsweise des Alten – also beispielsweise ›launigte‹, ›polternde‹, ›zärtliche‹ oder ›edle‹ Väter – nicht. Vgl. Diebold 1978, S. 103f. So gleicht beispielsweise Sir Williams erste unerbittliche Reaktion, die die Flucht von Sara und Mellefont überhaupt erst bedingt, der Rachelogik Marwoods: er ist bereit, Unrecht mi[t] Unrecht, Verletzung mit Abscheu, Böses mit Bösem zu vergelten. Ter-Nedden 1986, S. 54.

Für das bürgerliche Drama sei zudem eine Emotionalisierung der Väter zu beobachten, die der Gefühlsvertiefung der Töchter entspreche. Kaiser 1984, S. 18. Die Väter sind auch ›empfindsame Väter‹:

So kühl der alte Galotti oder der alte Miller ihren Ehefrauen begegnen, so wenig der alte Miller von der individualisierten Liebe zwischen Mann und Frau versteht oder – in Abwehr Ferdinands – zu verstehen vorgibt, so glühend lieben die beiden Alten ihre herrlichen Töchter. Kaiser 1984, S. 18.

Gemein sei den Vaterfiguren auch eine gewisse Schwäche: Sowohl William Sampson als auch Odoardo Galotti würden die Katastrophe dadurch einleiten, dass sie zu nachgiebig, zu ritterlich und liberal handelten. Wittkowski 2013, S. 28. Gisbert Ter-Nedden betont etwa William Sampsons zögerliches Handeln, das ihn den rechten Zeitpunkt zur Versöhnung versäum[en] lasse. Ter-Nedden 1986, S. 53. Von ihren normativen Vorstellungen könnten sie nur schwerlich abrücken. Kaiser 1984, S. 17. Zu William Sampson hält Peter-André Alt deshalb fest: Der milde, gerührte Vater war früher ein autoritärer Hausherr, der durch seine fehlende Flexibilität die unheilvollen Ereignisse fast zwangsläufig auslöste. Alt 1994, S. 196.

Die wohl heterogenste der drei angeführten Figurengruppen dürfte die der ›Intrigant*innen‹ sein. Das Rollenfach der Intrigant*innen bleibt im 19. Jahrhundert länger bestehen als andere Fächer. Das ist auch darin zu begründen, dass es einerseits mit Charakterrollen assoziiert wurde, häufig aber auch schlicht den/die Gegenspieler*in meinte. Vgl. Schonlau 2017, S. 180f. Das mag schon in der Intrige selbst angelegt sein, die als genuin dramatische[s] Prinzip, das Veränderung bewirkt zu verstehen ist, Alt 2004, S. 1. deshalb aber auch für vielfältige Erscheinungsformen offen ist. Vgl. Asmuth 2016, S. 124f. Im literaturgeschichtlichen Zusammenhang ist sie zudem zunächst moralisch indifferent. Alt 2004, S. 1. Sie kann ebenso einem guten Zweck dienen, wie die Katastrophe auslösen. So ließe sich zwischen zerstörende[n] und rettende[n] Intrigen unterscheiden, wodurch zugleich Charakter und Strategie der Intrigant*innen abgegrenzt werden könnten. Matt 2002, S. 34. Probates Hilfsmittel intriganter Machenschaften ist häufig der Brief, den Peter Pütz als verlässliches Vehikel der Intrige bezeichnet. Pütz 1970, S. 82. In der satirischen Typenkomödie werde die Intrige von den Vernünftigen in der Weise angelegt, daß sie zum Schein auf den Fehler desjenigen eingeht, gegen den sie sich richtet. Steinmetz 1978, S. 42. Eibl erkennt hierin ein Muster, das auch auf die Briefszene in zutreffe. Vgl. Eibl 1971, S. 153. Die tragische Intrige verlangt den Überlegungen Aristotelesʼ folgend nach Überraschung und Glaubwürdigkeit zugleich. Vgl. Schonlau 2017, S. 177. Die Intrige ist dabei im Wesentlichen kein Mittel der Selbstbestimmung des/der Intrigant*in, sondern dient als destabilisierendes, selektierendes Werkzeug. Vgl. Alt 2004, S. 3.

Die Gruppe der ›Intrigant*innen‹ ist in unserem Fall als einzige nicht geschlechtsspezifisch. Alt bestimmt den/die Intrigant*in als Figur der Intervention – exemplarisch zieht er dafür Lessings Marinelli heran. Alt 2004, S. 9. Dieser verkörper[e] ein dynamisches Prinzip, das mit dem Begriff der ›Störung‹ zu beschreiben sei. Alt 2004, S. 8. Urheber der Intrige – auch das passt zum gewissenlosen Kammerherren Marinelli – sind nach Karl Eibl häufig Bedienstete. Vgl. Eibl 1971, S. 153. Solche intriganten Höflingsfiguren, aalglatte, willfährige und zynische Adlati, Mertens 1995, S. 78. dürfen zu der Schaffenszeit Lessings als durchaus etabliert gelten. Vgl. Mertens 1995, S. 70. Neben generell lasterhaftem Verhalten seien es vor allem einzelne Leidenschaften, die als Motivation zur tragischen Intrige dienen: Neid, Hass und Eifersucht. Schonlau 2017, S. 182.

Als Operationalisierung für den Computer verstehen wir die Entwicklung von algorithmischen Routinen zur Erkennung von Begriffsinstanzen in Daten. Es geht hier darum, aus einer Menge von Figuren automatisch diejenigen identifizieren zu können, die zu einem bestimmten Figurentyp gehören. Die bisherigen Ausführungen verdeutlichen, dass die manuelle Zuweisung von Figurentypen in Dramen typischerweise über den Gesamttext (und weitere Kontexte, etwa theaterpraktische Überlegungen) erfolgt, also verschiedenste, zumeist semantische Kriterien berücksichtigt werden (müssen). Die Operationalisierung für den Computer macht es nötig, diese Kriterien sowohl möglichst genau zu approximieren als auch durch vergleichbare Informationen anzureichern, oder aber stark korrelierende, inhaltlich unabhängige Indikatoren zu finden.

Abbildung 1 gibt unseren Ansatz zur Operationalisierung schematisch wieder. Da der Zielbegriff ›Figurentyp‹ nicht direkt messbar ist, wird er zunächst durch sieben weitere Teilbegriffe operationalisiert (›Figureninformation‹, ›Gattung/Epoche‹, …), die für eine Zuordnung relevant sind. Doch auch diese Begriffe lassen sich noch nicht direkt messen, müssen also weiter operationalisiert werden. Daraus ergibt sich eine Hierarchie, an deren Ende direkt messbare Indikatoren stehen (müssen). Was als direkt messbar angesehen werden kann, ist im Einzelfall zu entscheiden und bei textbezogenen Begriffen auch vom Forschungsstand in der maschinellen Sprachverarbeitung abhängig. In Abbildung 1 befinden sich am rechten Ende jeweils zweiteilige Kästen, in denen zum einen in Kurzform die konkrete Umsetzung angegeben ist, und zum anderen die Datenquelle, auf die sie sich bezieht. Metadaten werden hier durch Annotation ermittelt, wobei die Annotationen partiell bereits Teil des Korpus sind. Quelle der Metadaten ist aber in jedem Fall eine manuelle oder manuell überprüfte automatische Zuweisung. Die Textstruktur beschreibt Informationen, die deterministisch und regelbasiert aus einem XML-codierten Korpus extrahiert werden können. Hier sind das vor allem Informationen zur Kopräsenz von Figuren auf der Bühne. Die meisten Informationen extrahieren wir jedoch aus zwei Textebenen, der Figurenrede und den Bühnenanweisungen der Dramen, wofür verschiedene Verfahren zum Einsatz kommen, die in der Abbildung nur durch Stichworte angegeben sind und an späterer Stelle genauer erläutert werden. An einer Reihe dieser Begriffe oder Teilbegriffe wurde in der Forschung bereits gearbeitet: Nalisnick / Baird 2013 modellieren die Gefühlswelt zwischen jeweils zwei Figuren. Karsdorp et al. 2015 fokussieren eine bestimmte Art der Relation zwischen Figuren (nämlich auf Liebe, die sich in unserem Schema auf Handlung, Gefühlswelt und Interaktion verteilen würde). Dramatische Gattungen wurden von Schöch 2017 mithilfe von Topic Modeling operationalisiert. Fischer et al. 2018 arbeiten an der Erkennung von Protagonisten und verwenden dafür Merkmale, die sich aus linguistischen/statistischen Eigenschaften der Figurenrede und den Interaktionen der Figuren zusammensetzen. Aktive und passive Bühnenpräsenz wurde in eigenen Arbeiten expliziert, vgl. Willand et al. 2020. Zur Erkennung von Figurenreferenzen in Texten wurde ein Korpus mit annotierten Koreferenzketten veröffentlicht, vgl. Pagel / Reiter 2020.

Operationalisierungen wie diese müssen immer im Hinblick auf die Operationalisierbarkeit untergeordneter Begriffe vorgenommen werden, wobei sowohl pragmatische als auch theoretische Aspekte eine Rolle spielen. Damit ist die hier vorgenommene Operationalisierung ebenfalls ein Kompromiss zwischen Anspruch und Machbarkeit. Offensichtlich lässt sich etwa ein Begriff wie ›Handlung‹ nicht allein durch Verben repräsentieren. Auch die Interaktionen einer Figur können nur eingeschränkt durch Kopräsenznetzwerke abgebildet werden. Was dem Kopräsenznetzwerk zu einer vollumfänglichen Darstellung von Interaktionen fehlt, ist jegliche Art der Qualifizierung, also der Benennung und Kategorisierung einer Interaktion. Eine Liebesszene auf dem Balkon und ein Schwertkampf in der Arena sind sehr unterschiedliche Arten der Interaktion, führen aber beide zu einer Kopräsenz. Zugleich ist die Abgrenzung der beiden Begriffe keinesfalls trennscharf: Handlung entsteht durch handelnde Figuren und deren Interaktion mit anderen Figuren. Gattungs- und Epochenunterschiede sorgen für zusätzliche Komplexität: Unterschiedliche Konventionen z. B. für das Einziehen von Szenengrenzen – entweder nach Auf- oder Abtritt von Figuren oder aber nach Ortswechseln – haben erheblichen Einfluss auf die Figurennetzwerke. Auch am unteren Ende der Operationalisierungshierarchie stellen sich weitere Fragen, die dieser Beitrag nur am Rande behandeln kann: So ist etwa die Erkennung von Referenzen in Texten, mit dem sich die Computerlinguistik unter dem Stichwort der Koreferenzauflösung seit vielen Jahren beschäftigt, ein keineswegs triviales Problem.Vgl. Sukthanker et al. 2020 für einen aktuellen Überblick.

Nachfolgend werden die verwendeten Indikatoren aus einer technischen Perspektive erläutert und anschließend tabellarisch zusammengefasst. Zur klareren Differenzierung verwenden wir für einzelne Indikatoren die englische Bezeichnung ›feature‹. Die technischen Bezeichnungen der Features, die teilweise in den Abbildungen verwendet werden, sind jeweils in nichtproportionaler Schrift gesetzt.

Die Features lassen sich anhand der verwendeten Techniken grob in folgende Gruppen einteilen: Bei dieser Einteilung spielen technische Aspekte eine stärkere Rolle – sie sind daher etwas anders gruppiert als in Abbildung 1. Textstatistik, Netzwerkmaße, Bühnenpräsenz, Wortfelder, Topics, Handlungsverben, Sentiment, Figureninformationen und Priors. Im Folgenden beschreiben wir diese Features und ihre konkrete Implementierung näher.

Tabelle 8 zeigt die Features in der Übersicht mit ihren Wertebereichen sowie einer Zuordnung aller Features zu den Teilbegriffen aus Abbildung 1. Der Begriff Figurenstil wird z. B. über die Indikatoren type-token-ratio sowie Durchschnitt und Standardabweichung der Längen der Äußerungen einer Figur operationalisiert.

Figurentyp Distinkte Figuren Exkludierte Charakterisierungen Rolle in Experimenten SVM PCA Insgesamt 257 ›Potentielle Intrigant*innen‹ 228 ›Intrigant*innen‹ 15 (♀ = 2) Positiv ›Nicht-Intrigant*innen‹ 213 ›Tyrann*in‹, ›Strateg*in‹, ›Gegenspieler*in‹, ›Intrigant*in‹ Negativ ›Vater‹ 23 Grundmenge ›Zärtlicher Vater‹ 5 Positiv Teilmenge ›Nicht-Zärtlicher Vater‹ 225 ›Vater‹, ›Alter‹, ›verheirateter Mann‹ Negativ ›Tochter‹ 26 Grundmenge ›Tugendhafte Tochter‹ 5 Positiv Teilmenge ›Nicht-Tugendhafte Tochter‹ 215 ›Liebhaberin‹, ›unverheiratete Frau‹, ›Tochter‹, ›Schwester‹ Negativ Tab. 9: Übersicht über den Datensatz und seine Verwendung in den Experimenten. ›SVM‹ bezeichnet das Klassifikationsexperiment (Abschnitt 5.3), ›PCA‹ das Experiment zur Bildung der Teilmengen (Abschnitt 5.4). Die Spalte ›Exkludierte Charakterisierungen‹ beschreibt, welche Eigenschaften eine Figur nicht haben darf, damit sie als Negativbeispiel verwendet werden kann. [Krautter et al. 2020]

Tabelle 9 zeigt den Datensatz in einer Übersicht. Insgesamt umfasst er 257 Figuren aus 43 Stücken (durchschnittlich sechs Figuren pro Stück), die zwischen 1730 und 1850 uraufgeführt oder erstpubliziert wurden. Diese wurden 43 verschiedenen Figurencharakterisierungen zugeordnet, so dass insgesamt 468 Paare aus Figur und Charakterisierung im Datensatz enthalten sind. 25 Figuren ist einer der Typen ›Intrigant*in‹, ›zärtlicher Vater‹ oder ›tugendhafte Tochter‹ zugewiesen. Hierbei ist zu beachten, dass zwar jeweils eine Teilmenge der Figuren als ›Intrigant*in‹, eine Teilmenge der Väter als ›zärtlicher Vater‹ und eine Teilmenge der Töchter als ›tugendhafte Tochter‹ markiert ist, wir aber keine Annahmen über diejenigen Figuren treffen können, die nicht in der jeweiligen Teilmenge enthalten sind. Weil eine Vaterfigur nicht als ›zärtlicher Vater‹ annotiert ist, heißt das also nicht, dass sie nicht doch diesem Figurentypus entsprechen kann. Da für das Training von Klassifikationsverfahren die Existenz von Negativbeispielen eine zwingende Voraussetzung ist, haben wir für die folgenden Experimente jeweils verschiedene Figurengruppen gegenübergestellt. Ausgehend von der Menge aller Figuren wurden als Negativbeispiele jeweils andere Figuren gewählt, die nicht mit einer ähnlichen Charakterisierung ausgezeichnet waren. In Tabelle 9 sind diese Eigenschaften in der dritten Spalte aufgeführt. Als Negativbeispiele für die ›tugendhafte Tochter‹ dienen also Figuren, die weder ›Tochter‹, ›Liebhaberin‹, ›unverheiratete Frau‹ noch ›Schwester‹ sind. Damit sind in den Negativbeispielen für die ›tugendhafte Tochter‹ nur Figuren enthalten, die gar keine Töchter sind, was mit Recht kritisiert werden kann. Im vorliegenden Szenario gibt es zwei Möglichkeiten damit umzugehen, die wir hier aus Platzgründen nicht beide diskutieren können. Das erste Szenario würde im Datensatz Minimalpaare gegenüberstellen, also Figuren die sich möglichst ähnlich sind, aber in der Zielkategorie unterscheiden. Ein Beispiel hierfür wären zwei Tochterfiguren mit ähnlichen Strukturmerkmalen, von denen eine tugendhaft ist und die andere nicht. Ein maschinelles Lernverfahren könnte dann zielgerichtet auf die Unterschiede zwischen den Figuren schauen. Dieses Verfahren ist allerdings sehr voraussetzungsreich und auf Basis der Literaturgeschichte kaum zu leisten: Hinweise auf die Nicht-Zugehörigkeit zu einem Figurentyp finden sich praktisch gar nicht, ein entsprechender Datensatz wäre also nur im Zuge einer umfangreichen Interpretation einzelner Dramen erstellbar. Die von uns gewählte Alternative besteht darin, möglichst klar nicht zugehörige Figuren als Negativbeispiele zu verwenden. Dabei nehmen wir in Kauf, dass das Lernverfahren Zusammenhänge lernt, die offensichtlich sind, z. B. dass eine männliche Figur keine tugendhafte Tochter ist. Wir gehen allerdings davon aus, dass der auf diese Weise verfügbare größere Datensatz diesen Nachteil ausgleicht.

Entsprechend der quantitativen Auswertungen erhält jede Figur in unserem Korpus für jedes der beschriebenen Features einen Wert. Auf diese Weise entsteht eine Matrix, in der die einzelnen Zeilen die untersuchten Figuren und die Spalten die zugehörigen Features darstellen. Die quantitativen Eigenschaften der Figuren lassen sich somit anhand der Zusammenschau ihrer Feature-Werte beschreiben. Dadurch ist es auch möglich, Figuren oder Figurengruppen hinsichtlich ihrer Feature-Werte miteinander zu vergleichen ‒ etwa anhand der in Abschnitt 3 beschriebenen Annotation von Attributen und Figurentypen.

Abbildung 2 zeigt die Verteilung einer Auswahl von Features für die drei Figurentypen ›Intrigant*in‹, ›tugendhafte Tochter‹ und ›zärtlicher Vater‹. Die x-Achse gibt den Wertebereich eines Features an, während die y-Achse die Anzahl an Figuren anzeigt, die diesen Wert für das jeweilige feature annehmen. Die Figurenanzahl ist geglättet dargestellt, sodass sich Trends verfolgen lassen. In der Feature-Verteilung wird deutlich, dass kein einzelnes feature imstande ist, alle drei Typen trennscharf voneinander abzugrenzen. Es lassen sich jedoch bestimmte Features ausfindig machen, die aufschlussreiche Unterschiede in den Verteilungen der Figurengruppen abbilden. Bei Feature T16 (also das 16. Topic aus dem Topic Model) etwa haben alle drei Kurven ihren Scheitelpunkt an verschiedenen Stellen – ein Großteil der ›zärtlichen Väter‹ (rote Kurve) hat hier also einen höheren Wert (d. h. eine höhere Wahrscheinlichkeit, Wörter aus dem Topic zu verwenden) als die ›tugendhaften Töchter‹ (orange Kurve) oder die ›Intrigant*innen‹ (blaue Kurve). Ein ähnliches Bild zeigt sich bei dem Feature passives. Hier sind es vor allem die ›tugendhaften Töchter‹, bei denen hohe Ausprägungen auszumachen sind. Zur Verdeutlichung sei als Gegenbeispiel auf das Feature close (Closeness Centrality) hingewiesen: Hier überlappen sich alle Kurven sehr stark, so dass sich das Feature nicht als Unterscheidungskriterium eignet. In den folgenden Experimenten versuchen wir mit maschinellen Lernverfahren diejenigen Feature-Kombinationen zu finden, die einen Figurentypus am besten charakterisieren und ihn gegen andere Figurengruppen abgrenzen.

Für die Klassifikation verwenden wir den Algorithmus Support Vector Machine (SVM). Vgl. zu SVM Steinwart / Christmann 2008, passim. Auf einer Teilmenge der Daten, dem Trainingsset, findet der Algorithmus mithilfe der Features diejenigen Parameter, die die Figurentypen unterscheiden. Ein trainiertes SVM-Modell kann dann auf anderen Daten getestet werden, um zu überprüfen, ob auf Grundlage der gesehenen Datenpunkte generalisiert werden konnte. Erreicht das Modell auf unbekannten Testdaten eine hohe Performanz, kann das Training als geglückt angesehen werden und der Algorithmus hat gelernt, die Figurentypen auf Basis der Features zu unterscheiden.

Vor dem Training führen wir zwei Vorverarbeitungsschritte aus: Da stark korrelierende Features redundante Informationen beisteuern, werden zunächst paarweise alle Features auf ihre Korrelation überprüft. Bei Paaren mit einem Pearson-Korrelationskoeffizient von mehr als 0,7 wird das Feature entfernt, das mit allen anderen am stärksten korreliert. Da unsere Daten außerdem stark ungleich verteilt sind (es gibt jeweils sehr viel mehr negative als positive Instanzen einer Klasse), verwenden wir SMOTE, Vgl. dazu Chawla 2002, passim. um dynamisch neue Trainingsbeispiele zu erzeugen. Ausgehend von Nearest Neighbors in den Feature-Werten erzeugt SMOTE artifizielle Datenpunkte. Auf diese Weise hilft SMOTE, Ungleichgewichte in den Klassen zu minimieren.

Wir verwenden in allen folgenden Experimenten 10-fold-cross Validation, um die Daten in zehn unterschiedliche Gruppen aufzuteilen. In jedem Fold wird eine andere Aufteilung der Daten in Trainings- und Testdaten vorgenommen, sodass am Ende alle Datenpunkte einmal als Testdaten verwendet werden. Die so entstehenden Trainingsdaten übergeben wir an den SVM-Algorithmus, und erhalten zehn verschiedene Modelle, basierend auf den jeweiligen Trainingsdaten. Wir wenden jedes Modell auf sein jeweiliges Testset an und erhalten ein finales Testergebnis, indem wir den Durchschnitt aller zehn Modelle bilden. Als Evaluationsmetriken verwenden wir Precision, Recall und F1-Score.

Um zu untersuchen, inwieweit welche Features zu einem guten Klassifikationsergebnis beitragen, analysieren wir zunächst Feature-Kompositionen. Dabei orientieren wir uns an den Dimensionen, die in Abbildung 1 dargestellt wurden. Eine Übersicht über die Qualität der Klassifikationsergebnisse ist in Tabelle 10 dargestellt. Der Typ ›Intrigant*in‹ kann dabei mit einem F1-Score von 0,7 am zuverlässigsten erkannt werden.

Abbildung 3 zeigt die Klassifikationsergebnisse der einzelnen feature-Gruppen für ›Intrigant*innen‹. Die Verwendung aller Features (Diagramm Alle, oben links) erzielt die besten Klassifikationsergebnisse. Die Resultate unterstreichen, dass die Identifikation von dramatischen Figurentypen als multidimensionales Problem aufzufassen ist: Erst im Zusammenwirken der verschiedenen Dimensionen wird eine annehmbare Performanz erreicht. Schwächen zeigen sich vor allem mit Blick auf den recall, während die precision bei den meisten Gruppen höher ist. Das bedeutet, dass zwar nicht alle ›Intrigant*innen‹ erkannt wurden – die Figuren aber, die das Modell als ›Intrigant*in‹ auszeichnet, sind dies mit recht hoher Zuverlässigkeit.

Die beiden Dimensionen, die in der Einzelwertung am besten abschneiden, sind Handlung und Themen. Das bestätigt die Annahme, dass ›Intrigant*innen‹ sich durch ihre Funktion für die Handlung auszeichnen, sich die Eigenschaft aber auch in den Semantiken der Figurenrede niederschlägt. Strukturelle (Präsenz, Interaktionen) und stilistische (Figurenstil) Merkmale scheinen alleine nicht geeignet für eine zuverlässige Erkennung.

Die Messung von Feature Importance ist eine Methode, um die Bedeutung einzelner Features für das Klassifikationsergebnis zu ermitteln. Sie vergleicht nach und nach die Performanz des Modells, wenn jeweils eines der Features entfernt wird. Die Abnahme an Performanz entspricht dann der relativen Wichtigkeit des entfernten Features für die Klassifikation. Für die Feature Importance wurde die Klassifikation mit einem Random Forest vorgenommen, und die Feature Importance über den gemittelten Zuwachs an Impurity in den Klassen gemessen. Als Implementierung kam das R-Paket Ranger zum Einsatz. Damit wird ein etwas genauerer Einblick in die Wirkungsweise der Features und auch in die Operationalisierung insgesamt erreicht. Die zehn wichtigsten Features für die Erkennung von Intrigant*innen sind die folgenden (in Klammern jeweils der Feature-Importance-Wert): T1 (1,31), T5 (1,05), utterances (1,05), T8 (0,89), between (0,79), T11 (0,77), close (0,73), passives (0,71), T9 (0,71), T13 (0,71). Das wichtigste Feature zur Klassifikation von ›Intrigant*innen‹ ist also Topic 1, das nach manueller Durchsicht hauptsächlich Wörter beinhaltet, die den Themenkreis des familiären Zusammenlebens abdecken. Vor allem familiäre Relationen werden abgebildet. Die 20 wichtigsten Terme des Topics sind: Vater, Mutter, Sohn, Kind, Tochter, Haus, alt, Gott, arm, Knabe, Bruder, Jahr, Eltern, Segen, Alter, Sohne, segnen, weinen, hart, Schwester. Dazu passt es, dass das Wortfeld Familie ebenfalls zu den vergleichsweise wichtigen Features zählt. Zu beachten ist hier jedoch, dass eine hohe Feature Importance nicht identisch ist mit hohen Feature-Werten. Die Wichtigkeit des Features kann auch dadurch zustandekommen, dass alle ›Intrigant*innen‹ besonders geringe Ausprägungen dieser Features aufweisen. In jedem Fall sind die Merkmale mit hoher Importance besser geeignet, die Figuren zu unterscheiden, als diejenigen mit niedrigerer Importance.

Da für die Figurengruppen der ›tugendhaften Töchter‹ und der ›zärtlichen Väter‹ jeweils nur fünf Figuren annotiert wurden, verspricht eine automatische Klassifikation kaum Einsichten. Um diese Klassen näher zu untersuchen, vergleichen wir deshalb ›tugendhafte Töchter‹ mit anderen Töchtern in unserem Datensatz. Das gleiche nehmen wir auch für die Gruppe der ›zärtlichen Väter‹ vor. Dabei verfolgen wir nicht mehr die oben skizzierte Strategie der zielgerichteten Zusammenstellung von Negativbeispielen, sondern versuchen nachvollziehbar zu machen, inwiefern sich die spezifischen Figurentypen auf Grundlage der Feature-Werte als Teilmenge eines gröberen Typs manifestieren.

Hierzu verwenden wir eine Principal Component Analysis (PCA). Vgl. dazu Jolliffe 2002, passim. PCA ist ein mathematisches Verfahren, um hochdimensionale Daten mit geringstmöglichem Informationsverlust in eine niedrigere Zahl an Dimensionen zu überführen, um z. B. zweidimensionale Visualisierungen zu ermöglichen. Die auf diese Weise erzeugten Dimensionen werden Principle Components (Hauptkomponenten) genannt und nach der in ihnen enthaltenen Varianz absteigend sortiert. Die erste Hauptkomponente enthält also den größten Anteil der Streuung im Datensatz. Die nachfolgenden Abbildungen zeigen das Ergebnis einer solchen PCA für Töchter (Abbildung 4) beziehungsweise Väter (Abbildung 5), und zwar als paarweise Gegenüberstellungen der ersten drei Hauptkomponenten. Eine interaktive Visualisierung erlaubt die Exploration weiterer Hauptkomponenten. Es wird jeweils die Teilmenge der tugendhaften beziehungsweise zärtlichen Figuren mit der Grundmenge an Tochter- beziehungsweise Vaterfiguren verglichen. Auf die sonst übliche Darstellung der Variablen als Vektoren wurde aus Gründen der Lesbarkeit verzichtet.

Die Abbildungen zeigen, dass sich sowohl die ›tugendhaften Töchter‹ als auch die ›zärtlichen Väter‹ (blaue Punkte) als eigene Gruppen innerhalb der Gesamtheit der ›Töchter‹ und ›Väter‹ etablieren (rote Punkte). Während die roten Punkte in allen Abbildungen im gesamten Darstellungsbereich verteilt sind, konzentrieren sich die blauen Punkte in vergleichsweise engen Bereichen. Ins Auge fällt hier insbesondere das mittlere Diagramm in Abbildung 4, das die Verteilung nach erster und dritter Hauptkomponente zeigt. Hier bilden die ›Töchter‹ die homogenste Gruppe und sind eng am Ursprung positioniert. Auf dieser Basis scheint eine automatische Erkennung von ›tugendhaften Töchtern‹ möglich.

Unter den blauen Punkten befinden sich in vielen Abbildungen auch rote Punkte – Figuren, die ›Vater‹ beziehungsweise ›Tochter‹ sind, aber in unseren Annotationen nicht als ›zärtlich‹ beziehungsweise ›tugendhaft‹ ausgewiesen sind. Dies sind nicht notwendigerweise Fehler, da der Status dieser Figuren bezüglich ihrer Eigenschaften zum Teil unterbestimmt ist. Wir konzentrieren uns im Folgenden auf das jeweils linke Diagramm, in dem die Figuren nach der ersten und zweiten Hauptkomponente dargestellt sind. Im Einzelnen handelt es sich bei den roten Punkten um Gertrud aus Gustav Freytags  als potentiell ›tugendhafte Tochter‹ sowie Präsident von Walter aus Schillers  , den Baron aus Lessings  und Meister Anton aus Hebbels  als potentielle ›zärtliche Väter‹.

Freytag, als einer der Hauptvertreter des Bürgerlichen Realismus, verhandelt in seinem soziale Problemkonstellationen, die aus dem bürgerlichen Trauerspiel bekannt sind. Dabei setzt er auch auf ganz ähnliche Figurenkonstellationen. In diesem Drama ist es die Gärtnerstochter Gertrud, die dem durch Werteverfall charakterisierten Adel in Person des Grafen Waldemar den Spiegel vorhält, diesen läutert und zu einem neue[n] Leben voll freier, gesunder Thätigkeit verhilft. Freytag 1920, S. 595. Sie ist also mit Gründen als eine tugendhafte, fromme [Gärtners-]Tochter zu lesen. Freytag 1920, S. 572.

Bei den von der PCA als potentiell ›zärtlich‹ erkannten ›Vätern‹ sind ähnliche dramenhistorische Erklärungen der oben genannten Gruppierungen möglich. Hebbels  Meister Anton gilt der Forschung zwar nicht als Vertreter der ›zärtlichen Väter‹, das Stück allerdings als das letzte bürgerliche Trauerspiel. Die durch Gattungskonventionen vorgeschriebenen Problemkonstellationen sind es auch in diesem Fall, die den ›Vater‹ als standesstolz und von der Sorge um die Familienehre geprägt charakterisieren. Diese Attribute teilt er wiederum mit Schillers  Präsident von Walter, der als herrschsüchtiger, gewissenloser Machtmensch prima vista alles andere als ein ›zärtlicher Vater‹ zu sein scheint. Dass Präsident von Walter hier trotzdem in die Nähe der ›zärtlichen Väter‹ gerückt wird, kann entweder daran liegen, dass andere ihm ähnliche ›Väter‹ nicht in unseren Daten enthalten sind, oder dass hierfür eine Figureneigenschaft entscheidend ist, die durch unsere Operationalisierung nicht abgedeckt wird.

Die automatische Klassifizierung von Figurentypen muss – dafür gibt es eine ganze Reihe an Ursachen – sowohl mit Blick auf ihre theoretische Konzeption als auch die technische Umsetzung als komplexe multidimensionale Problemstellung aufgefasst werden. Eine Herausforderung bildet dabei das heterogene Untersuchungskorpus. Zwar konzentrieren wir uns mit Blick auf den Einflussbereich der Rollenfächer auf einen literarhistorischen Zeitraum von nur knapp über 100 Jahren, finden darin aber ein breites Spektrum an literarischen Strömungen, welches wiederum starken Einfluss auf poetologische Überlegungen der Autor*innen ausübt. Etwa die Unterscheidung von Auftritt und Szene. Rollenvorstellungen ändern sich ebenso wie die an die Figurentypen geknüpfte Abstraktion vom Individuellen. Vgl. dazu die Ausführungen von Alt zum Intriganten: Alt 2004, passim. Das Korpus ist zudem weder auf eine spezifische Untergattung, etwa Komödien oder Tragödien, noch auf eine gezielt gewählte Gruppe von Autor*innen beschränkt. Für die 43 Dramen im Korpus zeichnen sich 22 Autor*innen verantwortlich. Zudem musste schnell deutlich werden, dass sich eine an literaturwissenschaftlicher Forschung orientierte Gruppierung von Figuren in Typen kaum durch die Fokussierung einzelner quantitativer Methoden, etwa mittels eines netzwerkanalytischen Zugangs alleine, abbilden lassen würde. Denn das war letztlich schon die Pointe, die Manfred Pfisters Ausführungen zur quantitativen Bestimmung von Haupt- und Nebenfiguren subsumierte. Vgl. Pfister 2001, S. 226f. Eine ähnliche Erfahrung haben wir bereits bei der Klassifikation von Titelfiguren gemacht. Vgl. Krautter / Pagel 2019, passim. Unser umfassender, in mehrere Schritte untergliederter Operationalisierungsansatz unterstreicht diese Beobachtung.

In Anbetracht dessen können die Klassifikationsergebnisse der ›Intrigant*innen‹ durchaus als Erfolg gewertet werden – gerade da die ›Intrigant*innen‹ einen recht heterogenen Figurentypus darstellen. So ist Ulfo, der Antagonist in Johann Elias Schlegels Trauerspiel , nicht nur Intrigant, sondern zugleich der nach Macht strebende Gegenspieler des dänischen Königs Canut. Durch eine typische Briefintrige nimmt er Canuts Schwester Estrithe für sich ein. Die Intrige ist jedoch weniger der Auslöser als ein Symptom des dramatischen Konflikts: Ulfo ist geleitet von einem nicht zu brechenden Verlangen nach Ruhm, das seinen Verrat an Canut motiviert. Auch Lessings Intrigantin Marwood ( ) vertraut unter anderem (neben Verkleidung, Gift, Dolch) auf den Brief als Mittel der Intrige, sogar gleich mehrfach. Ähnlich wie diejenige Ulfos scheitert Marwoods erste Intrige aber daran, daß das Laster nur kurze Zeit Verwirrung in die Welt der Tugend bringen kann, wie Karl Eibl ausführt. Eibl 1971, S. 144. Marwood weist aber auch signifikante Unterschiede zu Ulfo auf. Schon ihr Geschlecht unterscheidet die beiden Figuren. Und auch die Motivation ihres Handelns ist eine andere: Marwood versucht ihren ehemaligen Geliebten Mellefont – sie haben eine gemeinsame Tochter – zurückzugewinnen. Der eigentlich zentrale dramatische Familienkonflikt zwischen William Sampson und seiner Tochter Sara ist Marwoods Intrigen vorgelagert und bietet diesen überhaupt erst das Einfallstor. Während sowohl Ulfo als auch Marwood für ihre persönlichen Interessen eintreten, ist die eigene Motivation des Kammerherren Marinelli eher sekundär. Doch von der Figur des Anstifters, der die bösen Triebe im Herrscher aktiviert, Alt 2004, S. 7. wird er selbst zur dynamischen Figur, die nicht mehr nur ein kleines heilsames Verbrechen einfädelt, Lessing 2000, S. 342. sondern für eine fundamentale Destabilisierung geregelter Verhältnisse sorgt. Alt 2004, S. 8.

Die Herausforderungen im Umgang mit diesem wandelbaren Figurentypus lässt sich exemplarisch anhand der Tokens erörtern, die die Figuren im Laufe der Dramen äußern. Während diesem feature für die Erkennung von Protagonisten und Titelfiguren plausiblerweise eine zentrale Funktion zukommt, Vgl. Krautter / Pagel 2019, passim. rangieren die Tokens als Feature bei der Klassifizierung von ›Intrigant*innen‹ gerade noch im oberen Drittel der nach feature importance sortierten Features. Abbildung 6 verdeutlicht, wie verschieden die Redeanteile der einzelnen Intrigant*innen am jeweiligen Dramentext ausfallen. Gemessen in Tokens nehmen Adam ( ) und Fiesco ( ) weit über 30 Prozent der Redezeit im Drama ein. Der Spielraum von Amtmann von Zeck ( ), Adelheid ( ) und Wurm ( ) ist dagegen sehr viel eingeschränkter – ihre Redeanteile machen noch nicht einmal zehn Prozent der gesamten Figurenrede aus.

Trotz der schlaglichtartig skizzierten Unterschiede in der Figurenkonzeption gelingt es, mittels der in unserer Operationalisierung vorgeschlagenen Merkmalskombinatorik, ›Intrigant*innen‹ mit einem F1-Wert von 0,7 zu identifizieren. Die Erkennung ›nicht-intriganter‹ Figuren in unserem Korpus ist sogar nahezu fehlerfrei (F1: 0,98). Da die ›nicht-intriganten‹ Figuren die deutliche Mehrheitsklasse darstellen, ist dieses Ergebnis allerdings weniger überraschend. Werden einzelne Features isoliert betrachtet, sind sie in unserem Zuschnitt der Untersuchungen kaum in der Lage, aussagekräftige Erkenntnisse beizusteuern. Vgl. dazu auch die Klassifikationsergebnisse in Abschnitt 5.3 und die Verteilung der Feature-Werte in Abschnitt 5.2. Die Analysen lassen sich jedoch auf einem hohen Level kombinieren und sind so imstande, Figurengruppen zu differenzieren. Da sich hierbei aber ein Nexus aus einer ganzen Reihe an miteinander verflochtenen und in Abhängigkeitsverhältnissen stehenden Figureneigenschaften ausbildet, ist die Interpretation der Datenwerte keineswegs trivial.

Lässt sich diese Komplexität der Analysen durch ein Heranzoomen an die Dramentexte einfangen? Die in unseren Annotationen gewählten ›tugendhaften Töchter‹ und ›zärtlichen Väter‹ stammen in der Hauptsache aus vier Dramen, nämlich , , sowie . Aus diesen Dramen lassen sich also vier Figurenpaare bestehend aus ›Vater‹ und ›Tochter‹ bilden, die abschließend näher betrachtet werden sollen. Nimmt man an, dass die Konfliktlinien der Vater-Tochter-Beziehung einerseits durch die Liebesbeziehung der Tochter und andererseits durch die Wahrung der familiären Ordnung durch den Vater abgesteckt werden, müsste sich dies in der Verwendung der Wortfelder Liebe und Familie widerspiegeln. Abbildung 7 und Abbildung 8 schlüsseln die Werte der beiden Wortfeldanalysen für die vier Figurenpaare auf. Tatsächlich lässt sich ein Muster wahrnehmen, das die formulierte Hypothese stützt. Während die ›Töchter‹ eher in Liebessemantiken zu sprechen scheinen, bedienen die ›Väter‹ eher das Familienwortfeld. Emilia, die sich häufiger im Familienwortfeld äußert als ihr Vater Odoardo, und Sir William, den im Vergleich zu Sara ein leicht erhöhter Wert für Liebe auszeichnet, sind die Ausnahmen. Diese Beobachtung, das veranschaulichen die Werte der beiden Abbildungen ebenfalls, haben aber einen eingeschränkten Geltungsbereich: Sie sind auf die Figurenpaare einzelner Dramen limitiert. Dramenübergreifende Analysen fallen deutlich heterogener aus. So bedient Sir William das Liebeswortfeld nicht nur in vergleichbarem Maße wie Sara, seine Figurenrede ist überdies stärker mit diesem Wortfeld assoziiert als diejenige Emilias oder Luises.

Während individuelle Features wie die vorgestellten Wortfeldanalysen durchaus in der Lage sind, Einzelphänomene mit spezifisch zugeschnittenen Hypothesen auszuführen, sind sie alleine kaum geeignet, um von diesem Einzelphänomen zu abstrahieren. Ihre Analyseresultate lassen sich also nur schwer extrapolieren.