Glossar

API steht für Application Programming Interface und bezeichnet eine Programmierschnittstelle. Sie ermöglicht es, Teile (z. B. einzelne Funktionen) eines Programms ohne großen Aufwand in andere Anwendungen zu integrieren.

Um in einem Browser-Fenster nach Inhalten zu suchen, klicken Sie auf Ihrem Mac „cmd” + „F” und auf Ihrem Windows PC „Strg” + „F”. In das sich öffnende Suchfenster tragen Sie Ihren Suchbegriff ein und die jeweils geöffnete Seite wird darauf hin durchsucht.

Auch Kommandozeile, Konsole, Terminal oder Eingabeaufforderung genannt. Programme ohne grafische Benutzeroberfläche (GUI) werden i. d. R. durch Texteingabe in die Commandline gesteuert. Um die Commandline zu öffnen, klicken Sie auf Ihrem Mac „cmd” + „space”, geben „Terminal” ein und doppelklicken auf das Suchergebnis. Bei Windows klicken Sie die Windowstaste + „R”, geben „cmd.exe” ein und klicken Enter.

Als Gegenbegriff zu Close Reading ursprünglich von Franco Moretti (2000) geprägt. Distant Reading analysiert (häufig große Mengen an) Textdaten, ohne dass man den Text oder die Texte selbst liest. Meist stehen hier quantitative Analysen im Vordergrund, es lassen sich jedoch auch qualitative Metadaten quantitativ vergleichen.

Variante des Keying, bei der zwei Personen den Inhalt eines Dokumentes abtippen. Anschließend sucht ein Computerprogramm nach Differenzen. Die so gefundenen Tippfehler werden von einer dritten Person korrigiert. So entstehen nahezu fehlerfreie Textdigitalisate.

GUI steht für Graphical User Interface und bezeichnet eine grafische Benutzeroberfläche. Ein GUI ermöglicht es, Tools mithilfe von grafischen Schaltflächen zu bedienen, um somit bspw. den Umgang mit der Commandline zu umgehen.

HTR steht für Handwritten Text Recognition und bezeichnet die automatische Erkennung von Handschriften und Umformung in einen elektronischen Text. Die Automatisierung beruht auf einem Machine Learning. Zur automatischen Texterkennung vgl. auch OCR.

In den Bibliotheks- und Textwissenschaften das manuelle Erfassen eines Textes (d. h. das „Abtippen”) im Zuge seiner Digitalisierung. Vgl. Double-Keying

Das Korpus, Plural die Korpora. Eine Sammlung von Texten, typischerweise nach Autor*in, Textsorte oder Epoche organisiert.

LDA steht für Latent Dirichlet Allocation. Bei der LDA werden auf Grundlage eines Wahrscheinlichkeitsmodells Wortgruppen aus Textdokumenten erstellt. Wortreihenfolgen und Satzzusammenhänge spielen dabei keine Rolle.

Ein Computer erkennt und trainiert auf Grundlage möglichst vieler (Text-)Daten die (häufig sehr komplexen) Muster bestimmter Phänomene und ist anschließend in der Lage, diese Muster in anderen als den Trainingsdaten wieder zu finden.

Daten, die andere Daten beschreiben. Unterschieden werden administrative (z. B. Zugriffsrechte), deskriptive (z. B. Textsorte), strukturelle (z. B. Absätze oder Kapitel) und technische (z. B. digitale Auflösung) Metadaten. Auch Annotationen bzw. Markup sind Metadaten, da sie Daten/Informationen sind, die den eigentlichen Textdaten hinzugefügt werden.

NLP steht für Natural Language Processing. Im Deutschen auch als maschinelle Sprachverarbeitung bezeichnet. Meint die Bemühungen, Computern beizubringen, natürlichsprachliche Äußerungen korrekt zu verarbeiten und zu analysieren (z. B. Lemmatisierung, Wortartenerkennung etc.). In der digitalen Literaturwissenschaft häufig als Routinen des Preprocessing eingesetzt.

Open Access bezeichnet den freien Zugang zu wissenschaftlichen Informationen.

PDF steht für Portable Document Format. Format, das eine Datei auf jedem Gerät und in jedem Programm gleich anzeigt. PDF-Dateien können Bilddateien (z. B. Scans von Texten) oder computerlesbarer Text sein. Ein lesbares PDF ist entweder ein OCRter Scan oder ein am Computer erstellter Text.

Für viele digitale Methoden müssen die zu analysierenden Texte vorab „bereinigt” werden. Für statistische Zwecke werden Texte bspw. häufig in gleich große Segmente unterteilt (chunking), Großbuchstaben werden in Kleinbuchstaben verwandelt oder Wörter werden lemmatisiert.

Eine computergestützte Abfrage zur Analyse eines Textes in einer bestimmten Form (häufig mithilfe regulärer Ausdrücke). Alle möglichen Queries bilden zusammen die Query Language eines Tools.

Version eines digitalen Textes oder einer Tabelle, in der keinerlei Formatierungen (Kursivierung, Metadatenauszeichnung etc.) enthalten sind. Reintext-Formate sind TXT, RTF und CSV.

Kann Hardware, Software oder eine Kombination aus diesen sein. Ein Server führt einen spezifischen Service für andere Programme aus, mit denen er über ein Netzwerk verbunden ist.

SVG steht für Scalable Vector Graphics und ist ein Dateiformat, das Bilddateien bezeichnet, die als Vektorgrafik größenunabhängig reproduziert werden können. Bei SVG-Dateien wird im Gegensatz zu anderen Bildgrafiken somit die Auflösung der Abbildung beim Vergrößern nicht schlechter.

TEI steht für Text Encoding Initiative. Das Kollektiv entwickelt Standards für die digitale Repräsentation von Texten, also beispielsweise eine bestimmte semantische Struktur für XML-Dateien (wie die Kennzeichnung von Überschriften, Absätzen, Kapiteln etc.). Der sog. TEI-Header enthält die deskriptiven Metadaten eines Textes.

Begriff aus der Linguistik. Während Type jeden in einem Text oder einer Textsammlung vorkommenden Wort-Typ bezeichnet (z.B. „Katzengold”), bezeichnet Token jedes Vorkommnis dieses Typs (d. h. bspw. drei Mal „Katzengold” in Goethes Wanderjahren).

URI steht für Uniform Resource Identifier. URIs werden zur einheitlichen Identifikation von Online-Ressourcen wie Webseiten verwendet. Eine URL ist eine URI.

Eine Visualisierung von Worthäufigkeiten in einem Text oder einer Textsammlung. Häufige Wörter werden i. d. R. größer dargestellt als weniger häufige Wörter. Die horizontale/vertikale Ausrichtung und die Farbe von Wörtern hat meistens keinen semantischen Mehrwert.