Transkription
Die Transkription der Handschrift MS W erfolgte mittels der Transkriptionssoftware Trankribus. Transkribus erlaubt eine automatische Layouterkennung, Text-Bild-Verknüpfung und das Versehen der Transkription mit Markup; außerdem auch einen Export nach TEI/XML. In Transkribus wurden Textphänomene wie Streichungen (<del>), Hinzufügungen (<add>), unklare Textstellen (<unclear>), Kommentare (<note>) und Unterstreichungen (<hi>) getagged. Die neuen Textstellen gegenüber der Handschrift MS A wurden vorerst mit eckigen Klammern ausgewiesen, diese sollen in einem späteren Arbeitsschritt in eine TEI/XML-Kodierung überführt werden. Randglossen wurden in Transkribus als eigene Textregion mit dem @type=”marginalia” markiert; Einfügungen mit Einweisungszeichen im marginalen Bereich wurden vorerst mit @type=”other” markiert.
Der TEI/XML-Export der Transkription entspricht noch keinem für das Projekt geeigneten Datenmodell, so gibt es einerseits die Möglichkeit, den Export mit einem XSLT-Stylesheet von Dario Kampkasar (page2tei) zu erstellen, welches die Transkription mit <ab>-Elementen, <pb> für Seitenanfänge und wahlweise mit <l> oder <lb> zur Markierung der einzelnen Zeilen abbildet. Das Stylesheet für den Client-Export gibt ein TEI-Dokument aus, welches die Transkription mit <p>-Elementen und innerhalb dieser mit <lg> und wahlweise <lb> oder <l> wiedergibt.
Das finale Datenmodell soll die Transkription jedoch innerhalb von <sourceDoc> im <teiHeader> abbilden. Das Datenmodell soll auch die neuen Textstellen gegenüber der Handschrift MS A mit <ms>-Elementen wiedergeben – der Anfang der neuen Textstelle wird beispielsweise mit <milestone unit=”add” type=”start” xml:id=”ms1″ spanTo=”#ms2″> markiert, das Ende mit <milestone unit=”add” type=”end” xml:id=”ms2″>. Für Einweisungszeichen soll das Element <metamark> mit dem Verweis auf die jeweilige @xml:id im Textbereich verwendet werden. Nachträglich kodiert werden müssen letztendlich noch die unterschiedlichen Schreiberhände.
Die Kollation der Transkription erfolgte einerseits in Transkribus, andererseits aber auch mittels einer ersten lokalen HTML-Ansicht, die mit einem projektspezifischen XSLT-Stylesheet generiert werden kann und auch ungefähr der letztendlichen Darstellung in der digitalen Edition entspricht. Dies ermöglichte eine leichtere Kontrolle des korrekten Taggings. Die Transkription von MS W hat derzeit einen vorläufigen Zwischenstand erreicht und wird im Laufe des Projekts überarbeitet.
Lesefassung
Momentan wird an der Kodierung der Lesefassung im XML-Editor Oxygen gearbeitet. Vorlage für den Text ist ein Word-Dokument der Transkription von Manuskript A (Daumas/Ulbrich 2013). Dieser Text ist normalisiert, z.B. wurden Personennamen aufgelöst und Interpunktion eingefügt. Da Word XML-basiert ist, konnte dieser Text leicht mittels des Webservices Oxgarage in ein erstes TEI/XML-Dokument transformiert werden. Aus der gedruckten Edition entstand außerdem ein Personenregister, welches in ein Google-Sheet zur kollaborativen Bearbeitung und Erweiterung überführt wurde. Jede Person erhält eine projektinterne ID; genauso wird mit den Orten und erwähnten Werken verfahren.
In der Lesefassung sollen letztendlich Personen, Orte, Werke, Schlagworte, Personenbeziehungen und die von MS A und MS W sich unterscheidenden Textstellen kodiert werden. Um die Kodierung der Personen und Orte zu erleichtern, wurde die Methode des NER (Named Entity Recognition) getestet und angewandt. Bei Named Entity Recognition handelt es sich um eine computergestützte Methode zur automatisierten Erkennung, Klassifizierung und Markierung von Eigennamen (Named Entities), welche in vielen Bibliotheken für NLP (Natural language processing) enthalten ist, wie z.B. in spaCy, flair, nltk oder WebLicht (Eder 2021). Für das Französische bieten spaCy, flair und CamemBERT (Louis/Muller/Suárez et al. 2020) NER-Modelle an. Named Entity Recognition stellt eine nützliche Methode innerhalb der Digital Humanities dar, allerdings können sich vor allem im Hinblick auf historische Quellen bzw. Texte Herausforderungen und Probleme ergeben, z. B. aufgrund der nicht standardisierten Orthographie oder von Nested Entities (Entitäten, die ein oder mehrere Entitäten enthalten, wie z.B. “Herzog Otten von Luneburg”, vgl. More 2021, 66).
Zum damaligen Zeitpunkt war das Ergebnis der automatisch erkannten Entitäten in der Lesefassung nicht zufriedenstellend, so wurden oft nur Teile erkannt (z.B. nur “Schwerin” statt “Comte de Schwerin”), Entitäten falsch klassifiziert (“Schwerin” als Ort) oder viele falsch erkannte Entitäten markiert (False Positives). Die Ergebnisse konnten jedoch genutzt werden, um einen ersten Einblick in den Text zu erhalten. Alle gefundenen unterschiedlichen Personen und Orte wurden in Listen verzeichnet, auf Basis derer aufgrund einer Vorkenntnis des Textes ein erstes (semi-)automatisiertes Tagging vorgenommen werden konnte.
Im nächsten Schritt werden die weiteren Personen und Orte und die abweichenden Textstellen kollaborativ mittels GitHub-Desktop kodiert. Nebenbei erfolgt kontinuierlich die Weiterentwicklung des Datenmodells, z.B. im Hinblick auf die Personenbeziehungen.
Archiv und Interface
Parallel zur Arbeit an den Texten wurden mittels Figma, einem Tool für kollaboratives Interface-Design, Mockups erstellt, auf Basis derer das Webinterface der digitalen Edition mit den vorläufigen Daten und Texten beständig entwickelt, erweitert und bearbeitet wird.
Sämtliche Texte der digitalen Edition werden im Langzeitrepositoirum GAMS (Geisteswissenschaftliches Asset Management System) unter einem Persistent Identifier (PID) archiviert – das Webinterface wird direkt aus den dort abgelegten Daten mittels X-Technologien on-the-fly mit gängigen Webtechnologien generiert.
Literatur
Daumas, Maurice und Claudia Ulbrich (Hg.), unter Mitarbeit von Sebastian Kühn, Nina Mönich und Ines Peper. Mémoires de la comtesse de Schwerin. Une conversion au XVIIIe siècle. Bordeaux 2013.
Eder, Elisabeth. Named Entity Recognition (NER). In: KONDE Weißbuch. Hrsg. v. Helmut W. Klug unter Mitarbeit von Selina Galka und Elisabeth Steiner im HRSM Projekt “Kompetenznetzwerk Digitale Edition”, 2021. Aufgerufen am: 4.5.2023. Handle: hdl.handle.net/11471/562.50.141. PID: o:konde.141
Figma. URL: https://www.figma.com/de/ [2023-06-19].
flair. URL: https://github.com/flairNLP/flair [2023-06-19].
GAMS (Geisteswissenschaftliches Asset Management System). URL: https://gams.uni-graz.at/ [2023-06-19].
GitHub Desktop. URL: https://desktop.github.com/ [2023-06-19].
Manuskript A. Aix-en-Provence, Bibliothèque Méjanes, Ms 1190–1191.
Manuskript W. Wien, Haus-, Hof- und Staatsarchiv, SB Khevenhüller-Riegersburg 184/5.
Martin, Louis; Muller, Benjamin und Pedro Javier Ortiz Suárez et al. CamemBERT: a Tasty French Language Model. In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics 2020, 7203–7219.
More, Jacqueline. Theorie und Anwendung von Named Entity Recognition in den Digital Humanities mit Fokus auf historische Texte des 17. Jahrhunderts. Masterarbeit, Universität Graz, 2021. http://unipub.uni-graz.at/obvugrhs/6203623 [2023-06-19].
OxGarage Conversion. URL: https://oxgarage.tei-c.org/ [2023-06-19].
Oxygen XML Editor. URL: https://www.oxygenxml.com/ [2023-06-19].
pagetei – XSLT-Stylesheet für Transkribus Export von Dario Kampkaspar. URL: GitHub – dariok/page2tei [2023-06-19].
spaCy. URL: https://spacy.io/ [2023-06-19].
Text Encoding Initiative (TEI). URL: https://tei-c.org/ [2023-06-19].
Transkribus. URL: https://readcoop.eu/de/transkribus/ [2023-06-19].