Workshopbericht: Oral History und die Chancen der Digital Humanities

Autorin: Denise Nestler

Digital Humanities sollen eine Brücke zwischen den Geisteswissenschaften und den durch die Digitalisierung eröffneten neuen technischen Möglichkeiten schlagen. Am 6. April 2022 fand am HAIT ein interner Workshop statt, der der Frage gewidmet war, welche Chancen und Möglichkeiten die Digital Humanities der Oral History bieten können. Besonderer Fokus wurde bei diesem Workshop auf eine Einführung in verschiedene Spracherkennungsprogramme und die Möglichkeiten des Textmining gelegt.

Spracherkennungsprogramme helfen Historiker/-innen, Interviews automatisch zu transkribieren und durchsuchbar zu machen. Beim „Textmining werden mit statistischen und linguistischen Mitteln aus unstrukturierten Texten Muster und Strukturen erschlossen, um Kerninformationen aus einem Textkorpus zu erhalten.“1 Durch das Textmining ist es möglich, qualitative Quellen zu quantifizieren und unabhängig von einer vorab formulierten Forschungsfrage auffällige Verknüpfungen und Wortfelder zu identifizieren. Im Workshop sollte es nun ganz konkret darum gehen, wie diese Tools in der Forschung helfen können.



Workshop Programm

Begrüßung und Einführung: Bettina Hitzer (HAIT Dresden)

Panel 1: Automatische Spracherkennung

Herdis Kley (FU Berlin, Oral-History.Digital)

Transkriptions-Workflow: Nutzung der BAS Web Services zur Spracherkennung und Alignment im Projekt Oral-History.Digital.

Maria Karolyi (Amberscript)

Amberscript: End-to-End Modelle in automatischer Spracherkennung: Kombilösung für digitale Barrierefreiheit und Durchsuchbarkeit in Audio- und Videodateien.

Panel 2: Textmining

Einführung: Friederike Kind-Kovács (HAIT Dresden)

Dennis Möbus (Fernuniversität Hagen) und Philip Bayerschmidt (Friedrich-Alexander-Universität Erlangen-Nürnberg)

Topic Modeling und Oral History: Maschinelles Lernen zur inhaltlichen Erschließung lebensgeschichtlicher Interviews.


Automatische Spracherkennung

Nach einer kurzen Begrüßung und Einführung in den Workshop von Bettina Hitzer stellte Herdis Kley (FU Berlin, Oral-History.Digital) Transkriptions-Workflows am Beispiel des BAS-Web-Services (Bavarian Archive for Speech Signals) vor. Die BAS-Web-Services arbeiten mit unterschiedlichen Spracherkennungsprogrammen und können sowohl Audio- als auch Videodateien in Transkripte umwandeln. Diese Transkripte können dann wiederum auf der sich derzeit im Aufbau befindlichen digitalen Plattform Oral-History.Digital (OHD) hochgeladen werden.

Oral-History.Digital erlaubt es teilnehmenden Instituten, ihre eigenen lebensgeschichtlichen Interviews dort hochzuladen und durchsuchbar zu machen sowie gleichzeitig die Inhalte anderer Nutzer/-innen einzusehen, sofern diese ihre Inhalte zur Veröffentlichung freigegeben haben. Auf diese Weise sollen Interviews deutschlandweit zugänglicher gemacht werden. Derzeit sind 16 Pilotnutzer/-innen am Projekt beteiligt.

Vor der Nutzung von OHD müssen die Interviews transkribiert werden, damit mit den Textcorpora gearbeitet werden kann. Das erlaubt eine Durchsuchbarkeit nach Stichworten. Mit Hilfe von Timecodes ist es möglich, an eine gewünschte Stelle zu springen, um sich das Interview selber anzuhören oder anzuschauen.

Oral-History.Digital bietet keine eigenen Möglichkeiten der Transkription von Interviews. Sie selber nutzt BAS, welches eine automatische Spracherkennungssoftware hat. Als Kriterien einer guten Spracherkennungssoftware wurden genannt: Pausenoption, Videoanzeige, Shortcuteinrichtung und Wiedergabegeschwindigkeitsanpassung. Besonderes Augenmerk sollte auch auf die Datenschutzbedingungen der jeweiligen Anbieter gelegt werden. Das Hochladen in eine automatische Transkriptionssoftware müsse zudem in den Einverständniserklärungen der Interviewten vermerkt werden.

Im Anschluss an eine kurze Einführung bot Herdis Kley einen anwendungsbezogenen Vergleich zwischen den automatischen Spracherkennungsprogrammen Google und Fraunhofer: Google gibt lange Absätze heraus, die zu wenig Timestamps haben. Fraunhofer hat dieses Problem nicht, zeigt dafür aber bei der Transkription mancher Wörter Schwächen. Kürzere Absätze verlangen zwar einen größeren Aufwand bei der Beschriftung und Eingabe von Metadaten, vereinfachen aber die weitere Verarbeitung der Daten. So kann die Suche nach einem Stichwort in Oral-History.Digital direkt zu der Stelle im Interview springen, die ein Nutzer gerade sucht.

Im Anschluss stellte Maria Karolyi (Amberscript, Amsterdam) die Transkriptionssoftware Amberscript vor. Alle Spracherkennungsprogramme sind KI-gestützt und selbstlernend. Durch das Arbeiten mit Amberscript entfällt die manuelle Arbeit allerdings nicht in Gänze. Denn die Dirty Transcripts, welche die Anwendung herausgibt und welche meist viele Fehler aufweisen, müssen individuell nachkorrigiert werden. Auf der Grundlage dieser Korrekturen lernt die KI und wird verbessert. Ferner wird ein Glossar angeboten, bei dem vor Beginn der Transkription dialektal geprägte Begriffe oder Eigennamen eingegeben werden können, um Nachkorrekturen zu vermeiden. Amberscript verspricht eine 75-prozentige Genauigkeit. Als Stolpersteine der Transkription nannte Maria Karolyi Rauschen, Dialekte, Hintergrundgeräusche und Fachbegriffe.

Aus dem Plenum kamen Fragen zum Datenschutz, vor allem da die Nutzung von Amberscript kostenpflichtig ist. Maria Karolyi erläuterte, dass mit den bei Amberscript hochgeladenenen Daten DSGVO-konform umgegangen und alles in einer verschlüsselten Cloud gespeichert würde. Wer sensible Inhalte habe, müsse die Interviews nicht zwingend bei Amberscript speichern. Darüber hinaus interessierte sich das Plenum für die Zeitstempel, welche bei Amberscript immer nach Sprecherwechsel angezeigt werden. Durch eine Umwandlung in Untertitelformat sei dies zu umgehen und eine sekundengenaue Angabe herzustellen, erklärte Maria Karolyi.


Einführung in Textmining

Nach einem ersten Inhaltlichen Block über verschiedene Spracherkennungsprogramme widmete sich der zweite Block des Workshops, eingeführt von Friederike Kind-Kovács (HAIT Dresden), dem Thema des Textmining. Unter Textmining versteht man die digitale Analyse eines Textkorpus, welche die Möglichkeit des Distant Reading eröffnet, während Forschende meist in erster Linie Close Reading betreiben. Unter „Distant Reading“ wird das computergestützte Auslesen häufig großer Mengen an Textdaten verstanden. Durch das Distant Reading ergeben sich (Schlag-)Wörter und Ausdrücke, die in besonderer Häufigkeit vorkommen und daher den Korpus inhaltlich beschreiben. Die Ergebnisse aus dem Textmining geben daher Auskunft über die Häufigkeit bestimmter Themen und Inhalte, ohne dass der/die Forschende den Text in Bezug auf spezifische Fragen durchsucht.

Dennis Möbus (Fernuniversität Hagen) stellte die theoretischen Grundlagen des Textmining vor. Er griff die Frage auf, ob Textmining eher Chancen oder Nachteile mit sich brächte, ob es Filter setze oder gar die Vorannahmen des Forschenden reproduziere. Eine Chance sieht er vor allem in der Analyse von „Big Historical Data“. Denn gerade in der Zeitgeschichtsforschung stehen den Historiker/-innen unüberschaubar viele Quellen zur Verfügung; so viele Quellen, dass es schwer werden kann, alle sinnvoll zu bearbeiten.

Um den Teilnehmenden die Möglichkeiten des Textmining anwendungsbezogen zu erläutern, demonstrierte Dennis Möbus anschließend sein Vorgehen beim Textmining am Beispiel eines Interview-Textkorpus zum Thema „Kindheit in der Transformation“ vor. Zunächst speist er die Texte in Java oder Python ein. Dabei teilt er Sätze in Chunks. Im Ergebnis wird dann angezeigt, welche Wörter oder Wortfolgen oft in Verbindung miteinander in den Interviews vorkommen. Die Wortcluster zeigen zusammenhängende Themen – Topics – an. Hierbei werden auch Themenwechsel, die in lebensgeschichtlichen Interviews schnell vorkommen, deutlich. Beim Wechsel zum Close Reading lässt sich dann erkennen, in welcher Weise interviewte Personen die identifizierten Topics ansprechen. Historiker/-innen bewegen sich somit zwischen Heuristik und Hermeneutik.

Als nächsten Schritt erklärte Dennis Möbus, wie ein Modell trainiert werden kann. Dabei manipuliert er vermeintlich seine Daten und entfernt Wörter wie „und, auf, der…“, da diese sonst immer als meistgenannt markiert werden. Ferner lemmatisiert er Wörter, was eine Reduzierung bestimmter Wörter auf ihre Grundform bedeutet. Auf diese Weise können Wortvariationen kombiniert werden. Auch betreibt er eine Stopwordbereinigung, um nach und nach Doppelungen und Irrelevantes herauszufiltern.

Zum Schluss gewichtet Dennis Möbus Wörter und Wortgruppen und blendet Topics aus, die sich als irrelevant herausgestellt haben. Dafür nutzt er Heatmaps, die anzeigen, wann und wie oft bestimmte Topics in Interviews angesprochen wurden. Diese Topics werden dann vom Historiker oder der Historikerin benannt und eingeordnet. Auf diese Weise lassen sich sinnvolle Aussagen über die Interviewinhalte treffen.

Moving on to the post-arrival stage of migration, language translations and cultural translations should be regarded, as the inability of child migrants to speak their mother tongue hinders them from connecting to their countries of origin. When looking at such issues ranging between the domestic and global scale, like language barriers, the need to connect the split literature between these become evident, to which the discussion responded that the migrant child itself might be the very factor that links these two together.

Dennis Möbus empfiehlt, Angaben zum Textmining in die Quellenanalyse zu integrieren. So sieht er Lemmatisierung, Auslassungen und Hervorhebungen als unerlässliche Informationen zur Reproduzierbarkeit der Forschungsergebnisse.

Philipp Bayerschmidt (Friedrich-Alexander-Universität Erlangen-Nürnberg) zeigte auf der Grundlage des von Friederike Kind-Kovács bisher erarbeiteten Interviewkorpus Clusterbeispiele und Gruppierungen. Ohne die Interviews gelesen zu haben, identifizierte er durch das Textmining thematische Schwerpunkte, die sich als sinnvoll und weiterführend herausstellten.


Ergebnisse


Durch Textmining bekommen Forschende einen Überblick über die Topics ihrer Quellen. Das ist insofern eine Chance, als es Historiker/-innen erlaubt, eine große Zahl an Texten zu analysieren und Überschneidungen zu erkennen, ohne mit bestimmten Vorannahmen an die Texte heranzugehen. Es lassen sich nicht nur transkribierte Interviews auf diese Weise bearbeiten, sondern auch Zeitungsartikel oder Tagebücher. Textmining ist vor allem eine Unterstützung für die Bearbeitung umfangreicher Textkorpora, da sich auf diese Weise ein Überblick über die wichtigsten Themenfelder ergibt, ohne dass die Analyse von einer Forschungsfrage vorab eingeschränkt wird: Sie können nach der Grounded Theory arbeiten und ihre Theorie aus der Quellenanalyse heraus entwickeln.

Dennis Möbus resümierte, dass in Oral-History-Textcorpora meist Potentiale schlummern, die über die individuelle Forschungsfrage hinausreichen und für weitere Projekte mit anderen Themenschwerpunkten genutzt werden können. Sie erlauben insbesondere Sekundäranalysen, das heißt, die für ein Projekt produzierten Interviewtranskripte können auch von Zweitnutzern zu anderen Themen befragt und untersucht werden. Die Methode des Textmining hingegen ermöglicht dem Erstnutzer einen schnellen und systematischen Überblick über alle in den Interviews verhandelten Themen. Der Workshop hat dabei darstellen können, welche Tools Historiker/-innen nutzen können und wie mit den daraus entstehenden Daten gearbeitet werden kann.

Zitiervorschlag: Denise Nestler, „Workshopbericht: Oral History und die Chancen der Digital Humanities”. In: Denken ohne Geländer. Der Blog des Hannah-Arendt-Institut für Totalitarismusforschung e.V. vom 13.07.2022: https://haitblog.hypotheses.org/3444

Beitragsbild:
Bild 1: ©Nationaal Historisch Museum, Beeld New Technology Conference 2010 – Innovation and oral history

  1. Mareike König, Einführung Digital Humanities: Digitale Methoden in der Geschichtswissenschaft. Definitionen, Anwendungen, Herausforderungen, in: BIOS, 30 (2017), S. 7-21, hier 13. []

Das könnte dich auch interessieren …

Suche in OpenEdition Search

Sie werden weitergeleitet zur OpenEdition Search