3.1 Die zugrundeliegende Struktur

Um die potenziell relevanten Parameter zur Beschreibung eines Kostüms zu definieren, wurde eine umfassende Ontologie aufgebaut. Vgl. Barzen 2013. Der Begriff der Ontologie wird hier, anders als in der Philosophie, Vgl. Hesse 2014, S. 306. als Werkzeug der Wissensrepräsentation verstanden, welches klare Begriffsdefinitionen durch deren Merkmale sowie deren Einbettung in ein Ordnungsschema erlaubt. Vgl. Furrer 2014, S. 308–309. Als Basis der Ontologie systematisieren und kategorisieren einzelne Taxonomien in hierarchischer Struktur und einem hohen Detailgrad diejenigen Parameter, die potenziell Einfluss auf die Wirkung eines Kostümes haben können. Welche der potenziellen Parameter, deren Zusammenstellungen und Ausprägungen sich hier als relevant erweisen, gilt es mittels der Auswertung zu untersuchen. Daher ist hier z. B. mittels Bekleidungslexika, verschiedener Internetquellen und Expertengesprächen eine möglichst umfassende und detaillierte Auswahl als Ausgangswert der Erfassung zusammengestellt worden, vgl. Barzen 2013, S. 3–7. Hier lassen sich Taxonomien der Basiselemente (Bezeichnungen eines Kleidungsstückes, wie ›Lange Hose‹, ›Reithose‹ oder ›Sporthose‹), Teilelemente (Bezeichnungen der kompositen Elemente von Kleidungsstücken wie ›Haifischkragen‹, ›Fledermausärmel‹, oder ›Reisverschluss‹), Design, Form, Zustand, Material, Materialeindruck (zur Spezifizierung der Materialien durch Eindrücke wie ›steif‹, ›fließend‹ oder ›flauschig‹), Farbe, Farbeindruck (zur Spezifizierung der Farben durch Eindrücke wie ›glänzend‹, ›stumpf‹ oder ›transparent‹), Funktion, Trageweise und Körpermodifikation finden. Neben diesen sind zudem Taxonomien der Kontextualisierung der Kostüme entstanden. Hierzu zählen die Taxonomien der Ortsbegebenheit, Stereotyp, Geschlecht, Rollenberuf, Alterseindruck, Spielzeit, Tageszeit, Familienstand, Charaktereigenschaft, Spielort und Genre. Allein die Taxonomie der Basiselemente hat 914 Konzepte, alle Taxonomien insgesamt kommen auf mehr als 3000 Konzepte. Um auch Relationen zwischen Basiselementen untereinander und deren Vorkommen in Bezug auf Körperregionen zu erfassen, erlauben speziell definierte Operatoren (z. B. ›darüber getragen‹, ›angesteckt‹, ›umgegürtet‹) die Basiselemente durch die Verwendung eines Subjekt-Prädikat-Objekt-Schemas in Bezug zu setzen.

Auch wenn die Ontologie im Laufe der Arbeit an dem Projekt immer wieder angepasst werden musste – so sind beispielsweise je nach Genre neue Begrifflichkeiten dazu gekommen, Begrifflichkeiten wurden geschärft oder neu zugeordnet – bildet die Ontologie die Grundlage der Datenerfassung im MUSE Repositorium und damit auch die Basis der Strukturierung der Daten. Das bietet während der Erfassung der Daten einige Vorteile: Die hierarchische Struktur der Wertebereiche unterstützt die Identifikation des passenden Wertes, Schreibfehler werden vermieden und Benennungen sind einheitlich, etc. (vgl. Abbildung 2). Andererseits profitiert auch die Analyse davon, indem beispielsweise die Vererbung der Konzepte ausgenutzt werden kann, man in unterschiedlichen Abstraktionsgraden die Daten auswerten kann oder semantisches Wissen hierdurch so abgebildet wird, dass es in der Auswertung genutzt werden kann (siehe Abschnitt 4.1).

Neben der textbasierten Definition und Systematisierung der relevanten Parameter sind im Zuge dieses Projekts auch visuelle Repräsentationen entstanden, welche, jenseits von Urheberrechtsbeschränkungen der Screenshots, die Repräsentation jedes erfassten Kostüms als Bild ermöglichen. Die Illustrationen zu jedem der Basiselemente stammen von der griechischen Künstlerin Vassiliki Damaskinou und sind eigens für MUSE erstellt worden. Dieses wird in Form eines Kostüm-Graphen dargestellt, der aus künstlerischen Abbildungen der vorkommenden Basiselemente, deren Namen und Identifizierer im Repositorium, sowie den Relationen dieser untereinander in Form von Operatoren besteht und pro Kostüm aus den Daten automatisch generiert wird. Ein solcher Kostüm-Graph ist exemplarisch in Abbildung 1 abgebildet.

Abb. 1: Exemplarisch generierter Kostüm-Graph für das erste Kostüm der Stiefmutter aus (Kenneth Branagh 2015). TC 00:09:13–00:09:47, 00:09:55–00:10:30. [privat]

3.2 Das Filmkorpus

Als initiale Untersuchungsgrundlage wurden 60 Filme ausgewählt, jeweils 20 aus den Genres Western, High-School-Comedy und Märchen. Wobei wir uns im vorliegenden Fall als initiales Korpus auf den westlichen Unterhaltungsfilm fokussieren. Dies kann nur als Startpunkt verstanden werden, dessen Aussagekraft durch Erweiterung des Korpus auf Filme aus anderen Genres und Kulturkreisen in weiterführenden Arbeiten bereichert werden kann. Da das MUSE Projekt auf das Identifizieren etablierter Konventionen und damit auf wiederkehrende Elemente in den Kostümen abzielt, wurden Genres mit relativ festem Figureninventar ausgewählt. Zur Auswahl der 20 Filme innerhalb der Genres sind nach vorab aufgestellten Kriterien diejenigen Filme bestimmt worden, bei welchen potenziell ein großer Einfluss auf die Mediensozialisation angenommen werden kann: Der Argumentation folgend, dass die Filme mit großem Publikum die Entstehung von Konventionen begünstigen, sind pro Genre, basierend auf Rankings von nationalen und internationalen Filmdatenbanken sowie Boxoffice-Zahlen Welche potenziell mit der Anzahl von Besucher*innen korrelieren., diejenigen Filme ausgewählt worden, die im Vergleich am häufigsten auf den oberen Plätzen zu finden waren. Schwierigkeiten, die sich in diesem Zusammenhang ergeben, sind die Unschärfe der Genre-Begriffe oder die Mehrsprachigkeit, die durch den Einbezug der internationalen Datenbanken gegeben ist, aber auch der Umgang mit animierten oder schwarz-weiß gedrehten Filmen, um nur einige zu nennen. Indem über mehrere Quellen hinweg die Anzahl der Nennungen als ausschlaggebend gewertet wurde, sollte ein möglichst repräsentativer Querschnitt zusammengestellt werden. Vgl. für mehr Details: Barzen 2018, S. 128–136. Für das Genre Märchen beispielsweise wurden die fünf folgenden Quellen herangezogen:

moviepilot kino imdb boxofficemojo a (Genre: Live Action Fantasy) boxofficemojo b (Genre: Romantic Fantasy) Die Filme wurden den 11. Mai 2016 ausgewählt, die verwendeten Listen wurden teilweise aktualisiert oder sind heute nicht mehr abrufbar.

Tabelle 1 gibt eine Übersicht über die 20 untersuchten Filme für das Genre Märchen in alphabetischer Reihenfolge sowie deren Nennungen in den Quellen.

Tab. 1: Das Korpus der 20 untersuchten Märchenfilme mit Nennung der Quellen. [privat]

3.3 Die Erfassung der Daten mittels MUSE Repositorium

Das Interface des MUSE Repositoriums unterstützt bei der Erfassung der Daten (vgl. Abbildung 2) und führt durch den Prozess, in welchem detaillierte Informationen zu jedem Film, den vorkommenden Rollen und den jeweiligen Kostümen aufgenommen werden. Dies beinhaltet für den Film Informationen zu Filmtitel, Originaltitel, Regisseur*in, Kostümbildner*in, Erscheinungsjahr, Dauer, Produktionsorten, Genrezugehörigkeiten, Farbkonzepten und Stil. Da gerade bei den Nebenrollen und Statist*innen davon ausgegangen werden kann, dass hier die Kostümbildner*innen auf Konventionen zurückgreifen, um ein schnelles Kommunizieren dieser Rolle zu gewährleisten, wird jede Rolle mit Sprechanteil erfasst und alle Kostüme beschrieben. Pro Rolle werden allgemeine Informationen wie Rollenname, Darsteller*innen-Name, Rollenberuf, Geschlecht, dominanter Alterseindruck, dominante Charaktereigenschaft, Familienstand, Rollenrelevanz (was sich auf Haupt-, Nebenrolle oder Statist bezieht) und Stereotypen erfasst. Bei jedem Kostüm werden sowohl Daten über den Kontext (Wie lange ist es zu sehen? Wo ist es zu sehen? Was passiert in der Szene? etc.), allgemeine Informationen über das Kostüm (Was ist die dominante Farbe? Was ist die dominante Funktion oder der dominante Zustand des Kostüms? etc.), wie auch sehr detaillierte Beschreibungen (Was ist die Kragenfarbe und Kragenform? Welche Verschlussarten und Verzierungen liegen vor? etc.) erhoben. Präzise Informationen über die Dauer, die ein Kostüm im Bild ist, Wobei über den Timecode erfasst wird, wann das Kostüm zu sehen ist, so dass eine genaue Angabe, wie lange das Kostüm im Bild zu sehen war, über das Aufsummieren der Sekunden möglich ist. erlauben beispielsweise in der Auswertung Gewichtungen der Kostüme vorzunehmen. Der Annahme folgend, dass ein Kostüm, das über den gesamten Film getragen wird, einen größeren Effekt haben könnte, als eines, das nur für ein paar Sekunden zu sehen ist, kann man dieses Kostüm für die Auswertung dementsprechend gewichten. Vgl. für mehr Details: Barzen 2018, S. 136–170.

Abb. 2: Der Screenshot verdeutlicht exemplarisch wie das MUSE Repositorium durch die Erfassung eines Basiselementes führt. Zu sehen ist hier ein Ausschnitt der Maske zur Erfassung eines Basiselements mit aufgeklappter Taxonomie der Basiselemente. [privat]

Da die Kostüme bis in die Teilelemente eines Kleidungsstücks, sowie deren jeweilige Ausprägungen in Material, Farbe, und Form erfasst werden, ist der Prozess zeitaufwendig. In der bisher sieben Jahre andauernden Erfassung waren zehn studentische Hilfskräfte Anika Trischler; Chantelle Brand; Kim Kopec; Lea Intelmann; Leandra Brand; Lisa Beckh; Lisa Schepelmann; Maria Meyers; Regina Ababkov; Sophia Kaiser. des Instituts für Architektur von Anwendungssystemen der Universität Stuttgart beteiligt, von denen drei aktuell Im April 2021. noch an der Datenerfassung arbeiten. Zudem waren zwei weitere technische Hilfskräfte an der Implementierung und Wartung des MUSE Repositoriums beteiligt. Fabian Bühler; Michael Falkenthal. Die Filme werden in deutscher Sprache und gleicher Filmfassung auf dem VLC Player abgespielt und bearbeitet, um Timecodes etc. synchron zu halten. Trotz der Formularstruktur, der vorwiegend vordefinierten und auswählbaren Werte innerhalb des Formulars und der Möglichkeit des optischen Markierens fehlender Werte, lassen sich Fehler nicht ganz vermeiden. Um eine möglichst optimale Datenqualität zu gewährleisten, wird im Vier-Augen-Prinzip vorgegangen. D. h. jeder Film wird zweifach komplett bearbeitet, wobei beim ersten Mal die Daten angelegt werden und diese beim zweiten Mal überprüft und, wenn nötig, korrigiert werden. So werden einerseits Flüchtigkeitsfehler behoben und andererseits Absprachen im Team einheitlich umgesetzt. Diese beziehen sich beispielsweise darauf, wie mit bestimmten kritischen oder mehrdeutigen Fällen umgegangen wird, z. B. bei nicht eindeutigen Funktions- oder Materialzuweisungen oder was als ›dominant‹ angesehen wird. Aber auch Absprachen darüber, dass, wenn möglich, immer die tiefste Ebene der Taxonomie als das spezifischste Element ausgewählt wird oder bei der Erfassung der Timecodes immer dann ein neuer Timecode angelegt wird, wenn das Kostüm länger als zwei Sekunden aus dem Bild ist, fallen darunter.

3.4 Aktueller Stand der Datenerfassung

Nach aktuellem Stand sind 55 der 60 initial ausgewählten Filme bereits komplett erfasst, wobei alle Filme der Genres Western und High-School-Comedy auch bereits final korrigiert sind. Insgesamt sind damit 5.245 Kostüme mit 28.822 Basiselementen, die wiederum 63.773 Teilelemente aufweisen, in dem Datensatz zu finden. Das entspricht durchschnittlich ca. 95 Kostümen pro Film mit 5,6 Basiselementen pro Kostüm und 12,5 Teilelementen pro Basiselement. Dabei sind beispielsweise 159.526 Mal bestimmte Farben und 180.274 Mal bestimmte Materialien als Attribute zugeordnet worden.

3.5 Verfügbarkeit

Um eine umfassende und für die Nachnutzung der Daten optimierte Veröffentlichung des Datensatzes zu ermöglichen, wird das MUSE Datenset diese der Öffentlichkeit über DaRUS, das Datenrepositorium der Universität Stuttgart, zur Verfügung gestellt. Vgl. Barzen et al. 2021a. Eine Teilmenge der Daten wurde bereits im Dezember 2018 über GitHub veröffentlicht, Hierbei ist nur ein Teil der Kostüme aus den Genres Western und High-School-Comedy, meist noch ohne die Korrektur, veröffentlicht worden. indem der Code des MUSE Repositoriums zusammen mit einem Teil der Daten dort öffentlich zugänglich gemacht wurde. Nun hat sich in der Zwischenzeit der Datensatz signifikant vergrößert, die Richtlinien bei GitHub haben sich dahingehend geändert, dass Dateien ab einer bestimmten Größe nicht mehr kostenfrei zur Verfügung gestellt werden können, und auch die Anforderungen an die Veröffentlichungen von Forschungsdaten und die dafür bereitgestellten Infrastrukturen haben sich verschärft. DaRUS begegnet allen drei Gegebenheiten: es ermöglicht das Archivieren, Teilen und Veröffentlichen von Forschungsdaten und unterstützt explizit die FAIR-Prinzipien, wobei:

die Daten mit einer DOI versehen werden, was sie innerhalb der Community sichtbar und langfristig nutzbar macht, die Datensätze mittels Metadaten so beschrieben werden, dass sie leicht auffindbar und teilbar sind und mittels einer API der Zugriff auf die Daten automatisierbar ist.

Um die Daten einer möglichst breiten Interessens- und Nutzer*innengemeinschaft zur Verfügung zu stellen, sind diese in mehreren Formaten zugänglich. Die Daten können in eine MySQL- oder MariaDB-Datenbank importiert oder direkt in Form einer SQLite-Datenbank verwendet werden. Die beiden Formate wurden gewählt, um Informationsverluste durch das Konvertieren der Daten auszuschließen. Bei einem Export in das CSV-Format, würden beispielsweise Informationen darüber, wie Datensätze über mehrere Tabellen hinweg verbunden sind, verloren gehen. Um den Zugang so einfach wie möglich zu gestalten, ist zudem eine vorgefertigte SQLite-Datenbank Teil des Datensatzes. Diese kann z. B. mit dem DB Browser for SQLite geöffnet werden. So können bei Bedarf auch einzelne Tabellen gezielt als CSV exportiert werden.

Der Datensatz wurde zusätzlich in mehrere Teile aufgeteilt, welche nach Bedarf in die Datenbank importiert werden können. Der für eine Auswertung der Kostümdaten notwendige Teil – basierend auf deren textuellen Beschreibungen der Kostüme – umfasst etwa 50 MB. Der Datensatz enthält zwei Filme ohne inhaltlich relevante Daten (›1.setr‹ und ›1.yx‹), die zum Testen des MUSE Repositoriums genutzt werden, und fünf Versionen der gleichen kurzen Sequenz aus dem Film (als ›Bad teacher Test 1-5‹ betitelt). Letztere wurden zur Abschätzung genutzt inwieweit sich die erfassten Daten unterschiedlicher Erfasser*innen unterscheiden um potenzielles ›Rauschen‹ in den Daten zu ermitteln. Um in der Auswertung und deren Interpretation auch visuelle Repräsentationen der Kostüme zu ermöglichen, sind Illustrationen der Basiselemente in einer eigenen Datei mit einer Größe von etwa 500 MB gespeichert. Da bei der Erfassung der Kostüme zur internen Kontrolle der Daten Screenshots zu den Kostümen und deren Details hinzugefügt werden, welche dem Urheberrecht unterliegen, kann nicht die vollständige Datenbank von MUSE öffentlich gemacht werden. Der Teildatensatz mit den Screenshots ist deshalb auf DaRUS nicht für die Öffentlichkeit freigegeben. In den Vollversionen inklusive der Screenshots umfasst der Datensatz mehr als 12 GB. Da noch aktiv an dem Datensatz gearbeitet wird, beinhaltet die Referenz auf den veröffentlichten Datensatz in DaRUS die Version ›Eins‹ des Datensets, welche aktualisiert wird, sobald sich signifikante Änderungen ergeben haben, wobei hierbei die Versionen hochgezählt werden.

4.1 Auswertung innerhalb von MUSE

Der MUSE Datensatz wird im Zuge des MUSE Projektes mithilfe unterschiedlicher semi-automatisierter Analysemethoden untersucht, um die signifikanten Elemente zu identifizieren, welche als häufig angewandte und damit bewährte Lösung in Kostümmuster überführt werden können. Um innerhalb der Daten Hinweise auf Kostümmuster als Bausteine einer möglichen Kostümsprache zu identifizieren, werden aktuell Analyseverfahren sowohl aus dem Bereich der Data Analytics Vgl. Falkenthal et al. 2017. als auch dem des Maschinellen Lernens Vgl. Barzen 2021. angewandt.

Das generelle Vorgehen der Auswertung folgt den häufig iterativ ausgeführten Analyseschritten:

Datenbereinigung, welche beispielsweise Formatkonvertierung oder Behandlung fehlender Werte beinhaltet. Datenaufbereitung, welche sich im vorliegenden Fall z. B. mit der Überführung von kategorialen in numerische Daten befasst. Auswahl des Algorithmus, was sowohl die Auswahl des Verfahrens (Clustering, Klassifikation etc.), als auch die Auswahl eines darin zur Verfügung stehenden Algorithmus, dessen Implementierung (bei Clustering z. B. OPTICS, k-Means, Maximum Cut etc.) und dessen Hyperparameter beinhaltet. Ausführen des gewählten Algorithmus. Visualisierung der Ergebnisse. Erstellung von Hypothesen. Anschließende Validierung der Hypothesen.

Wenn eine solche Hypothese gefunden ist, kann diese auf Musterkandidaten hinweisen, so dass noch die Schritte:

des Identifizierens der Musterkandidaten der Interpretation und Überführung in ein Muster

und

die Erstellung der Relationen zwischen Mustern

durchgeführt werden können. Vgl. für mehr Details: Barzen 2021, S. 11–16.

Aktuell werden u. a. verschiedene Clusteralgorithmen erprobt, um diejenigen Kostüme zu gruppieren, welche ähnliche Attribute aufweisen und somit auf Kostümmuster hinweisen können (vgl. Abbildung 3). Hierbei sind willkürlich zu Anschauungszwecken 100 Kostüme aus dem Datensatz ausgewählt worden, wobei diese über ihre dominante Farbe und den dominanten Alterseindruck gruppiert werden sollen. Eine große Herausforderung bei der Anwendung verschiedener Analysealgorithmen ist, dass viele Algorithmen numerische Daten voraussetzen, der MUSE Datensatz aber zu einem großen Teil aus kategorialen Daten besteht. Um im zweiten Arbeitsschritt, der Datenaufbereitung, die Problematik eines sehr hochdimensionalen Merkmalsraums bei der Überführung der Daten in numerische zu vermeiden, Wie sie beispielsweise durch das One-Hot-Encoding, als eines der gängigen Verfahren um kategoriale Daten in eine Merkmalsraum abzubilden, entstehen: Hierbei wird jedem Attribut ein Merkmalsvektor zuordnet. was in der Auswertung häufig die Anwendung von Feature-Reduction-Verfahren nötig machen würde, kann hier die Besonderheit des MUSE Datensatzes genutzt werden, um den in einer Baumstruktur vorliegenden Daten Ähnlichkeitswerte zuzuordnen. D. h. für die in Abbildung 3 ausgewählten Kostüme können jedem untersuchten Kostüm zu jedem anderen Kostüm über die Attribute dominante Farbe und den dominanten Alterseindruck mittels des Ähnlichkeitsmaßes nach Wu und Palmer Vgl. Wu / Palmer 1994. mengenwertige Ähnlichkeitswerte zugeordnet werden, welche auf den Abständen der ausgewählten Werte innerhalb der Taxonomien beruhen. Hellblau und dunkelblau sind damit deutlich näher in der Taxonomie und bekommen so auch einen höheren Ähnlichkeitswert als hellblau zu schwarz. Vgl. Barzen et. al 2021, S. 40–46. Somit wird das semantische Wissen, welches in der Ontologie enthalten ist, genutzt, um die Kostüme zueinander über ihre Attribute in Beziehung zu setzen. Ähnlichkeitswerte können dann in Distanzwerte überführt und als solche mittels Einbettung in einem metrischen Merkmalsraum abgebildet werden. Dabei spiegeln die Distanzen der Datenpunkte zueinander die Ähnlichkeitswerte der Kostüme zueinander wider. Hierauf können nun unterschiedliche Clusteralgorithmen, wie beispielsweise eine Implementierung des Clusteralgorithmus k-Means Vgl. Arthur / Vassilvitskii 2007. , angewendet werden (vgl. Abbildung 3).

Abb. 3: Exemplarisches Ergebnis des Clusteralgorithmus k-Means mit drei identifizierten Clustern. Hierzu wurden die Kostüme auf Basis ihre Distanzwerte zueinander vorab mittels der Multidimensionalen Skalierung (MDS) in einen zweidimensionalen metrischen Merkmalsraum eingebettet. Die Zugehörigkeit von einem Kostüm zu einem Cluster wird über den Farbcode angezeigt. [privat]

Abbildung 4 zeigt einen Ausschnitt der in den gefundenen Clustern gruppierten Kostüme (in Abbildung 3 ist etwa Cluster 1 mit grünen Punkten markiert und Cluster 2 mit roten Punkten). Wie Abbildung 4 verdeutlicht, lässt sich für jugendliche Rollen viel mehr Farbvarianz in der dominanten Farbe der Kostüme verzeichnen, als bei Kostümen für ältere Charaktere, so dass bei den Rollen mit Alterseindrücken in den 30er- bis 60er-Jahren verstärkt Schwarz, vereinzelt auch Weißtöne, zu finden sind. Dies ist ohne Frage ein sehr simplifiziertes Beispiel, bei dem es gilt, weiter zu untersuchen, ob dieses Ergebnis beispielsweise über Genre, Gender, etc. hinweg stabil bleibt, genauso wie es für deutlich größere Datenmengen – die der MUSE Datensatz zur Verfügung stellt – zu verifizieren wäre.

Würde sich diese Hypothese nun durch weiterführende und umfassendere Untersuchungen als stichhaltig erweisen, könnte sie in ein Kostümmuster überführt werden. Wie Abbildung 4 zudem veranschaulicht, sind in der Auswertung die Kostüme jeweils mit dem MUSE Repositorium verlinkt (mit Direktlinks zu den Informationen zum Film, der Rolle und dem Kostüm), was den nötigen interpretatorischen Schritt in der Überführung von Musterkandidaten in ein Muster unterstützt. Auch wenn die Auswertung es ermöglicht, Hinweise auf Musterkandidaten zu identifizieren, sowie Nachvollziehbarkeit und Reproduzierbarkeit der getroffenen Aussagen über vestimentäre Kommunikation zur Verfügung zu stellen, ist die eigentliche Überführung in das Musterformat eine Abstraktionsleistung, die auf Auslegung, Interpretation und Übersetzung beruht. Hierbei kann das Heranziehen der detaillierten Kostümbeschreibung im MUSE Repositorium wiederum unterstützend genutzt werden. Die identifizierten Muster, mit ihren Relationen untereinander, Vgl. für identifizierte Kostümmuster: Barzen 2018, S. 192–213. können dann in einem Muster-Repositorium, wie beispielsweise dem Pattern Atlas, Vgl. Leymann / Barzen 2021. abgelegt werden und so für weiterführende Anwendungen in Theorie und Praxis zur Verfügung gestellt werden.

Abb. 4: Ausschnitt der Auflistung der Kostüme von zwei der Cluster aus Abbildung 3, wobei Cluster 1 in Abb. 3 mit grünen Punkten und Cluster 2 mit roten Punkten markiert ist. [privat]

Der Schritt der Analyse kann aber nicht nur bei der Erstellung der Muster helfen, sondern auch bei der Zuordnung von neuen Kostümen zu schon identifizierten Clustern, so dass beispielsweise die kontinuierlich weiter erfassten Kostüme direkt dem richtigen Cluster zugeordnet werden können. Zur Anwendung kommen hier verschiedene Klassifikationsalgorithmen, wie beispielsweise Support Vector Machines (SVM) oder neuronalen Netzen. Um die Präzision der Zuordnung zu erhöhen, werden hierbei nicht nur Algorithmen eingesetzt, welche auf dem klassischen Computer ausgeführt werden, sondern auch solche, die bereits auf Quantencomputern ausgeführt werden können. Gerade in der Klassifizierung konnten hier deutlich genauere Ergebnisse erzielen werden als mit der klassisch implementierten Variante. Vgl. Barzen 2021, S. 44f.

4.2 Nachnutzungspotenzial über MUSE hinaus

Ohne DOI und Metadaten sowie außerhalb der MUSE Werkzeugumgebung war der aufwendig erstellte umfassende Datensatz bisher kaum für weiterführende Anwendungen auffindbar und nutzbar, so dass das inhaltliche Potenzial von Interessierten wenig genutzt werden konnte. Dies gilt sowohl für weiterführende Fragestellungen auf den eigentlichen Daten, aber auch in der Verbindung der MUSE Daten mit anderen Datensätzen. Dem intrinsischen Forschungsinteresse des Projektes MUSE geschuldet, fokussiert sich die Auswertung aktuell stark auf das stereotype Element von Kostümen, auf die Konventionen, bei der über die zu beobachtende Wiederholung argumentierend Aussagen über eine mögliche Kostümsprache getroffen werden können. Vielversprechend wäre nun, von den identifizierten Konventionen ausgehend, zu untersuchen, inwieweit und warum bei bestimmten Filmen oder Rollen von diesen abgewichen wird, wie diese aufgegriffen oder eventuell bewusst kontrastiert werden. Aber auch Untersuchungen, inwieweit bestimme Kostümbildner*innen oder Regisseur*innen eigene Variationen einer Kostümsprache entwickelt haben, könnten mittels der Daten nähere Betrachtung erfahren. Aktuell ist das Projekt auf das Kostüm als isolierte Entität fokussiert, wobei es als filmisches Gestaltungsmittel stark mit anderen filmischen Gestaltungsmitteln interagiert. Um dieses Zusammenspiel zu untersuchen, ist die Verknüpfung des MUSE Datensatzes mit anderen Datensätzen vielversprechend. So wäre z. B. eine Kombination mit Daten zu Filmräumen äußerst spannend, um hier Kostüme in den Raum, dessen Farbigkeit und Struktur, einzubetten. Dies wiederum kann durch Verschmelzung oder Kontrastierung eine wichtige Komponente in der Wahrnehmung des Kostüms darstellen, was gleichzeitig aber auch Synergieeffekte für das Verständnis über Filmräume ermöglichen kann. Gleiches gilt für eine Kombination der auditiven Komponente des Kostüms, wie das Klappern von Absätzen oder das Rauschen schwerer Seidenröcke, mit Daten zu Filmgeräuschen oder Filmmusik, was das Verständnis über Kostüme weiter schärfen könnte. Vgl. Falkenthal et al. 2015, S. 56f. Darüber hinaus wäre auch eine Verbindung der Daten mit den in den Drehbüchern vorhandenen Kostümbeschreibungen und den vorgenommenen Abweichungen von Interesse. Jenseits des Mediums Film wäre auch eine Kombination von textuellen Beschreibungen von Kostümen in Theaterstücken oder Kleidung in der Literatur vielversprechend.

Über den fachlichen Mehrwert hinaus ist zudem die strukturelle Besonderheit des Datensatzes bereichernd: So können, wie in Abschnitt 4.1 beschrieben, durch die zugrundeliegenden taxonomischen Strukturen der textuellen Beschreibungen die jeweiligen Kostüme untereinander mit Ähnlichkeitswerten versehen werden. Dies ermöglicht, das in der Ontologie abgebildete semantische Wissen nutzbringend anzuwenden. Durch die Überführung der kategorialen in numerische Daten wird zudem eine deutlich breitere Anwendung von potenziellen Analysealgorithmen möglich. Vgl. Barzen et al. 2021b, S. 40–47. Dass das vorgestellte Vorgehen von MUSE nicht auf Kostüme beschränkt ist, sondern auch in ganz anderen Bereichen eingesetzt werden kann, wird durch MUSE4Musik verdeutlicht. Vgl. Barzen et al. 2017. MUSE4Musik beschäftigt sich mit der Emotionalität symphonischer Musik des 19. Jahrhunderts. Hierbei werden, der in Abschnitt 3.1 beschriebenen Strukturierung folgend, detaillierte Daten über Musikausschnitte erfasst, um diese auf wiederkehrende Elemente zu untersuchen, welche potenziell ähnliche Emotionen transportieren. Sowohl das MUSE als auch das MUSE4Music Repositorium wurden jeweils aufbauend auf einer vorab erstellten und dem Anwendungsfall angepassten Ontologie, aufwendig und zeitintensiv implementiert. Um weitere Anwendungen des Vorgehens in unterschiedlichen Domänen effizienter zu ermöglichen, haben wir MUSE4Anything entwickelt. Vgl. Bühler 2021. MUSE4Anything erlaubt, die Ontologien und darauf aufbauend generierte Eingabeformulare für die Daten direkt in einem Werkzeug zu erstellen und es so für die strukturierte Datenerfassung in unterschiedlichen Domänen anzupassen. Darüber hinaus kann somit auch der Erkenntnisgewinn, der anhand des MUSE Datensatzes über die Auswertung der Daten erzielt werden konnte, für andere Anwendungsfälle, beispielsweise für anderer filmischer Gestaltungsmittel, potenziell nutzbringend eingesetzt werden.