Glossar

Meint i. d. R. Webbrowser. Computerprogramm, mit dem das Anschauen, Navigieren auf und Interagieren mit Webseiten möglich wird. Am häufigsten genutzt sind Chrome, Firefox, Safari oder der Internet Explorer.

Als Gegenbegriff zu Case Sensitivity bezeichnet der Begriff die Nicht-Berücksichtigung von Groß- und Kleinschreibung bei der elektronischen Datenverarbeitung. Versalien und Minuskeln werden nicht als unterschiedlich angesehen.

Sorgfältige Lektüre und Interpretation eines einzelnen oder weniger Texte. In der digitalen Literaturwissenschaft verbunden mit der manuellen Annotation textueller Phänomene (vgl. auch Distant Reading).

Modell für einen Conditional-Random-Fields-Algorithmus. CRF-Algorithmen sind der Kern kontextsensitiver, auf maschinellem Lernen beruhender Programme. Ein CRF-Modell ist das Ergebnis eines Trainingsprozesses, bei dem manuell annotierte Beispiele nach Mustern ausgewertet werden, sodass diese dann als Regeln für die automatische Erkennung bestimmter Kategorien in dem Programm an unbekannten Texten angewandt werden können.

Data Mining gehört zu dem Fachbereich Information Retrieval und meint die Anwendung von Methoden und Algorithmen, die darauf abzielt, innerhalb großer Datensätze Trends und gegenseitige Verbindungen zu erkennen. Textbasierte Formen des Data Minings sind u. a. Text Mining, Web Mining und Opinion Mining.

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.

Über die Vernetzung von Computern wird ein Internetprotokoll (IP) erstellt, auf dem basierend jedem Endgerät eine individuelle Adresse zugeordnet wird, um den Datentransport zwischen Sendern und Empfängern zu ermöglichen. Die IP gehört zu den personenbezogenen Daten, da über sie auf Ihre Identität geschlossen werden kann.

Gemeinsames Vorkommen von Wörtern in einem vordefinierten Textabschnitt. Über Kollokationsabfragen kann z. B. herausgefunden werden, dass ein Wort X in einem Umkreis von 10 Wörtern vor oder nach einem anderen Wort Y vorkommt.

KWIC steht für Keyword in Context. Eine Visualisierung, die ein ausgewähltes Wort eines Textes oder einer Textsammlung als Liste in seinen diversen Kontexten (= Umgebungswörtern) zeigt. Die Größe der Kontexte kann individuell festgelegt werden.

Häufig als Teil des Preprocessings angewendete Methode, bei der Wortbildungsformen wie Flexionsformen oder Zusammensetzungen ihren Grundformen zugeordnet werden.

Computergestützte Auszeichnungssprache. Auch HTML ist eine solche Markup Language. Mit der Digitalisierung oder digitalen Erstellung von Annotationen werden auch diese zu Markup.

In der Linguistik eine Sequenz von N Einheiten in einem Text. Es gibt Bigramme, Trigramme etc. Der Satz „Marie erforscht Literatur digital” hat bspw. drei Bigramme: „Marie erforscht”, „erforscht Literatur” und „Literatur digital”.

OCR steht für Optical Character Recognition. Bezeichnet die automatische Texterkennung von gedruckten Texten, d. h. ein Computer „liest” einen gescannten Text und verwandelt diese Bilddatei in einen elektronischen Text.

Open Access bezeichnet den freien Zugang zu wissenschaftlichen Informationen.

PCA steht für Principal Component Analysis. Die Hauptkomponentenanalyse ist ein komplexes statistisches Verfahren zur Reduktion und Veranschaulichung umfangreicher Datensätze.

POS steht für Part of Speech, d. h. Wortart. Ein POS-Tagging ist die automatische Erfassung und Kennzeichnung von Wortarten.

Auch Eigenschaft, Komponente oder Attribut. In der automatischen Annotation dienen konkrete Worteigenschaften wie Groß- und Kleinschreibung zur Klassifizierung von Wörtern oder Phrasen. Zu jeder Eigenschaft, die untersucht werden soll, wird ein entsprechendes Feature in ein Tool integriert, welches spezifische Properties anhand von Beispielen untersucht. In der → manuellen digitalen Annotation können sich Properties nicht nur auf Wörter, sondern auch auf Annotationen und damit auf ganze Textpassagen beziehen.

In Programmier- und Abfragesprachen (Queries) verwendete standardisierte Zeichenketten (auch Regular Expressions oder RegEx genannt). Dieselbe Zeichenkette kann in unterschiedlichen Programmier- und Abfragesprachen (z. B. in Word, → CATMA, Python, R usw.) für unterschiedliche Problemlösungen verwendet werden.

SBW steht für Sentiment Bearing Word (Sentimentwort) und bezeichnet ein Lexem, das eine Stimmung, eine Bewertung, ein Gefühl, eine Einstellung oder auch eine Emotion zum Ausdruck bringt. Für SBWs werden semantische Orientierung und Stärke in Form des Sentimentwerts festgelegt. SBWs werden in Sentimentlexika gesammelt und als Grundlage für lexikonbasierte → Sentimentanalysen verwendet.

Der Sentimentwert (synonym verwendet: Sentimentgehalt) eines Wortes drückt meistens in einer Skala von –1 (maximal negativ; bspw. „schädlich”: –0,9269) bis +1 (maximal positiv, bspw. „Freude”: 0,6502) die Polarität von SBWs aus. Der Wert wird bei der Generierung von Sentimentlexika für jedes enthaltene Wort errechnet und auf vier Nachkommastellen gerundet.

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.

Als Stoppwörter bezeichnet man diejenigen Wörter, die bei einer digitalen Textanalyse jeweils unberücksichtigt bleiben sollen. Oft sind das Funktionswörter, die aufgrund ihrer grammatisch bedingten Häufigkeit die Auswertungsergebnisse verzerren würden. Stoppwortlisten dienen der Kommunikation dieser Stoppwörter an das jeweilige Tool.

Die Taxonomie, anhand derer Annotationen erstellt werden. Ein Tagset beinhaltet immer mehrere Tags und ggf. auch Subtags. Ähnlich der Type/Token-Differenz in der Linguistik sind Tags deskriptive Kategorien, wohingegen Annotationen die einzelnen Vorkommnisse dieser Kategorien im Text sind.

Der Prozess, computergestützt und automatisch Informationen aus Texten oder Textsammlungen zu extrahieren.

Begriff aus der elektronischen Datenverarbeitung. Für die Kodierung unterschiedlicher Inhalte wird auf unterschiedliche Schlüssel – Zeichenkodierungen – zurückgegriffen. UTF-8 ist die international standardisierte Kodierungsform elektronischer Zeichen und kann von den meisten Digital-Humanities-Tools verarbeitet werden.

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

Eine Webseite mit Informationen zu ausgewählten Themen, die i. d. R. von mehreren Nutzer*innen zusammengestellt werden. Zu jedem Eintrag in einem Wiki gibt es eine Diskussionsseite, die auch frühere Versionen des Eintrags anzeigt.

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.