Über die digitale Edition

Initiale Transformation

Zu Beginn des Projekts wurden die drei Word-Dateien (eine Datei für jeden Band der Buchedition) mithilfe des Tools OxGarage in TEI-XML transformiert. Hierfür wurde bei Oxgarage die Option "VerbatimXML tagging" verwendet. Die so entstandenen drei TEI-XML-Dateien enthielten jeweils den gesamten Inhalt der drei gedruckten Editionsbände und wurden vor der Weiterverarbeitung weiter unterteilt in Texte zur Edition, den eigentlichen Editionstext und die Register. Die Texte zur Edition wurden teilweise nur im ersten Band abgedruckt (z.B. die Editionsrichtlinien), mehrmals abgedruckte Texte (z.B. das Literaturverzeichnis oder die Konkordanz der Ortsnamen) wurden in ihrer aktuellsten Fassung aus dem dritten Band übernommen. So wurden alle Texte zur Edition aus den drei Bänden in einer Datei zusammengeführt. Das Register wurde von Band zu Band weiter ergänzt und im dritten Band in Gänze abgedruckt, sodass nur dieses weiterverarbeitet wurde. Der Editionstext war nach der initialen Transformation zu TEI-XML in den verschiedenen Bänden noch leicht unterschiedlich strukturiert, sodass dieser zunächst Band für Band mithilfe von XSLT-Skripten in einer XProc-Pipeline aufgeräumt und strukturiert wurde, bevor der Editionstext aller drei Bände in einem TEI-XML-Dokument zusammengeführt wurde.

Vom Register zu Named Entities

Raphaele Barthels

Die in der Druckedition identifizierten Entitäten der Typen Personen, Orte und Schlagwörter sind in einem lemmatisierten Vollwortregister mit 10.444 Lemmata gesammelt, die auf 39.697 Stellen im Editionstext verweisen. Im Register der Druckedition wird nicht zwischen den Entitätstypen differenziert. Diese lemmatisierten Entitäten sollten (semi-)automatisch in den TEI-Dokumenten der digitalen Edition identifiziert und annotiert werden. Außerdem sollte in den Daten explizit zwischen Personen, Orten und Schlagworten unterschieden werden. Aufgrund der unregulierten Orthografie der mittelalterlichen Quelle sowie der unvollständigen Verzeichnung der im Editionstext vorkommenden Schreibvarianten der einzelnen Lemmata im Register, stellte dies eine besondere Herausforderung dar, die mehrere Vor- und Nachbearbeitungsschritte erforderte.

Zu Beginn des Projekts wurde das Register aus dem dritten Band der Druckausgabe im Rahmen des Word2TEI-Workflows transformiert. (siehe Initiale Transformation) Dieses bildete die Grundlage für die weitere Arbeit, mit dem Ziel die implizit im Register enthaltenen Informationen in eine explizite Struktur zu überführen, um die Daten maschinenlesbar und automatisiert verarbeitbar zu machen. Hierfür war eine Reihe von Transformationsschritten notwendig, an deren Ende das Register in einer Form vorlag, die die Zuordnung der im Register erfassten Verweise zum jeweiligen Eintrag ermöglichte. In diesem Zuge wurden alle Entitäten mit einer ID versehen, mit Hilfe derer sich später die Entitäten mit Erwähnungen im Editionstext verknüpfen ließen.

In einem automatischen Erkennungsprozess konnten etwa 40% der 39.697 Verweise einer konkreten Stelle im Editionstext zugeordnet werden, wobei hier die Fehlerquote aufgrund der unregelmäßigen Schreibweisen sehr hoch war. Besonders bei kurzen Lemmata traten vermehrt Zuordnungsfehler auf. Eine Fuzzy-Suche bzw. die Berücksichtigung abweichender Schreibweisen nach Levensthein-Distanz erfolgte nicht. Grund hierfür war, dass die ohnehin vorhandene Fehlerrate nicht weiter erhöht werden sollte. Die Korrektur der identifizierten Textstellen, sowie die Zuordnung der übrigen ca. 24.000 Named Entities zu konkreten Textstellen musste unter großem zeitlichen Arbeitsaufwand manuell erfolgen. Hierbei wurde der Fokus auf die Identifikation der erwähnten Personen und Orte im eigentlichen Editionstext gelegt. Verweise im Register auf in den Fußnoten erwähnte Entitäten blieben teilweise implizit. Darüber hinaus wurden im Register auch Verweise auf in Einträgen implizit genannte Schlagwörter verzeichnet, die ebenfalls nicht mit konkreten Textstellen verknüpft wurden, sondern in den Daten lediglich dem Eintrag als Ganzem zugeordnet sind. Zusätzlich erschwert wurde die manuelle Nachkorrektur durch eine Eigenheit des gedruckten Registers: Personen, denen mehrere Namen zugeordnet werden konnten wurden manchmal an unterschiedlichen Stellen im Register aufgeführt. Dies führte im Transformationsprozess dazu, dass einigen Personen mehrere IDs zugeordnet wurden (da jeder Registereintrag eine eigene ID erhielt). In ein paar hundert Fällen sind daher einem auf eine Person verweisenden String zwei oder drei IDs zugeordnet. Diese doppelt im Register aufgeführten Personen und ihre verschiedenen Namen und IDs in den Daten zu einem Datensatz zusammenzuführen ist im Rahmen des Projekts aus Zeitmangel nicht gelungen.

In den Daten wurden die Entitäten aus dem ursprünglichen Register in Personen, Orte und Schlagwörter unterteilt. Um Personen und Orte zu identifizieren, wurden diese zunächst mit Listen von Orten und Vornamen abgeglichen. So konnten etwa zwei Drittel der 10.444 Lemmata zugeordnet werden. Die übrigen Entitäten mussten manuell geprüft und zugeordnet werden.

Verknüpfung von Literaturverzeichnis und -angaben

Márta Vass

Die in der Edition gemachten Literaturangaben wurden im Rahmen des Projekts explizit als solche ausgezeichnet und über Referenzen auf IDs direkt mit dem entsprechenden Titel im Quellen- und Literaturverzeichnis verknüpft. Um diese Aufgabe zu bewerkstelligen, mussten zunächst die Titel des Literaturverzeichnisses ins TEI-XML transformiert und mit IDs versehen werden. Für die Sekundärliteratur wurde dieser Prozess dadurch erleichtert, dass diese bereits zu Beginn des Projekts im Bibtex-Format vorlag. Neben der Sekundärliteratur ist außerdem zwischen gedruckten und ungedruckten Quellen zu unterscheiden. Diese drei Gruppen erforderten schon in der gedruckten Edition jeweils ein spezifisches Layout. Dies setzt sich auch in der TEI-Auszeichnung fort, wo für jede der drei Gruppen ein eigenes Schema entworfen werden musste. Nachdem das Literaturverzeichnis in TEI-XML zur Verfügung stand konnten mithilfe von XPath- und regulären Ausdrücken auch die Literaturangaben in den Fußnoten der Edition identifiziert, in TEI-XML transformiert und mit den IDs aus dem Literaturverzeichnis verknüpft werden.