Das DTA-Basisformat in neuem Gewand

Susanne Haaf

Worum geht es?

Das DTA-Basisformat (kurz: DTABf) erscheint seit kurzem in zweierlei Hinsicht „in neuem Gewand“. Zum einen wurde die Dokumentation vollständig überarbeitet und dabei um verschiedene Features erweitert. Zum anderen wurde das DTABf-Schema modularisiert und um ein Schema für Manuskripte erweitert. Dieser Artikel präsentiert 1. das DTABf für diejenigen, die es noch nicht kennen, 2. die Neuerungen an der Dokumentation und die Möglichkeiten der Nachnutzung, die sich daraus ergeben, und 3. die Neuerungen am Schema, die mithilfe des Chaining-ODDs-Mechanismus der Text Encoding Initiative vorgenommen wurden.

Was ist das DTA-Basisformat?

Das DTA-Basisformat ist ein Annotationsformat für die Auszeichnung von historischen Texten in Korpora und Textsammlungen. Es entstand auf Basis der historischen Werke des Deutschen Textarchivs (DTA) und wird mittlerweile von der DFG als Annotations- bzw. Austauschformat für Editionen und Sprachkorpora empfohlen.1 Grundlage für die XML-Aufbereitung der Daten nach DTABf sind die P5-Richtlinien der Text Encoding Initiative. Das umfangreiche Tagset der TEI wurde dafür jedoch reduziert auf die Elemente und Attribute, die für die TEI-Auszeichnung im DTA notwendig waren, sowie eine jeweils zugehörige feste Werteauswahl. Die Prinzipien waren dabei:

  • Vollständige Kompatibilität mit der TEI (d.h. es wurden lediglich Reduktionen, keinerlei Erweiterungen vorgenommen)
  • Vermeidung von Auszeichnungsalternativen für ein Phänomen (und somit Vermeidung von Ambiguitäten)
  • Größtmögliche Abdeckung von Phänomenen bis zu einer bestimmten Auszeichnungstiefe

Das resultierende DTA-Basisformat wurde formal durch ein ODD und resultierendes RNG-Schema sowie durch ein komplementäres Schematron-Constraint-Set spezifiziert. Diese formale Spezifikation wird durch eine umfangreiche Dokumentation ergänzt, die phänomenbasiert die Auszeichnung nach DTABf erklärt und mit vielerlei Beispielen aus dem DTA-Korpus veranschaulicht.

Schema und Dokumentation des DTABf haben zweierlei Funktion: Zum einen sollen sie die Richtlinien, denen die Textauszeichnung im DTA folgt, ausführlich und nachvollziehbar dokumentieren. Zum anderen sollen sie Nutzerinnen und Nutzern ein Format für die Erfassung historischer Texte entsprechend den TEI-Richtlinien an die Hand geben, um innerhalb und außerhalb des DTA historische Texte homogen aufzubereiten.

Texte, die mit dem DTABf annotiert wurden, werden dadurch untereinander interoperabel. Wenn nämlich eindeutig ist, welches Tagging für ein bestimmtes Phänomen verwendet wurde, so ist es dann sehr leicht, dieses Phänomen aufzufinden und Texte in Bezug darauf zu untersuchen oder einfach homogen darzustellen. Interoperabilität ist also ein wesentlicher Anspruch an Daten in Kollektionen, die auf bestimmte Merkmale hin vergleichend oder im Verbund ausgewertet werden sollen.

Das DTA kann folglich zum Beispiel ein Stylesheet bereitstellen, um DTABf-annotierte Texte in eine einheitliche, gefällige HTML-Ansicht zu konvertieren, die die verschiedenen möglichen Annotationen darstellerisch berücksichtigt (Beispiel Abb. 1).

Abbildung Beispiel Stefan George im DTA
Abbildung 1: George, Stefan: Das Jahr der Seele. Berlin, 1897. S. 11. In: Deutsches Textarchiv, abgerufen am 03.03.2017.

Außerdem sind Suchabfragen unter Einbeziehung struktureller Phänomene in Texten möglich, z.B. die Suche nach Marginalien-Text im zeitlichen Verlauf in historischen Werken des Deutschen (Beispiel Abb. 2).

Abbildung Marginalien im DTA
Abbildung 2: Text in Marginalien im Deutschen Textarchiv; DDC-Suchanfrage: $con=/note_(left|right)/, abgerufen am 03.03.2017

Möglich wäre auch die Recherche nach einem Ausdruck innerhalb einer bestimmten Struktur, z.B. dem Wort “blicken” in Bühnenanweisungen (Beispiel Abb. 3).

Abbildung blicken in Bühnenanweisungen
Abbildung 3: blicken in Bühnenanweisungen; DDC-Anfrage: blicken with $con=/stage/, abgerufen am 03.03.2017.

Auch für externe Tools ist die Eindeutigkeit des DTABf nützlich: So konnte z.B. für die Editionsumgebung ediarum eine DTABf-Anpassung geschaffen werden, die nun das editorische Arbeiten entsprechend dem DTABf unterstützt. Die so erarbeiteten Texte können dann wiederum problemlos in das DTA-Korpus und die CLARIN-Infrastruktur integriert werden.2

Das DTA-Basisformat wurde auf der Grundlage der Werke im DTA (also datengesteuert) erarbeitet und mittlerweile auf mehr als 3200 Werke im DTA-Korpus erfolgreich angewendet. Diese beinhalten sowohl das DTA-Kernkorpus als auch die DTA-Erweiterungskorpora. Letztere umfassen Werke aus externen Projekten, welche in das DTABf konvertiert oder in den jeweiligen Projekten bereits im DTABf erstellt und dann in das DTA integriert wurden. Darüber hinaus gibt es auch vollständig “externe” Projekte, die das DTABf für ihre Annotation zugrunde gelegt haben, etwa die Online-Quellenedition “Hamburger Schlüsseldokumente zur deutsch-jüdischen Geschichte”.

Beide Arten der Nachnutzung des DTABf möchten wir fördern. Daher wurde in den vergangenen Monaten die DTABf-Dokumentation in das Dokumentationsformat DITA überführt, um das Arbeiten mit dem DTABf zu erleichtern und flexibler zu gestalten.

Was ist neu an der DTABf-Dokumentation?

Die DTABf-Dokumentation liegt jetzt neu im XML-basierten Dokumentationsformat DITA (Darwin Information Typing Architecture) vor. Das DITA Open Toolkit bietet Software zur Transformation des DITA-XML in diverse Ausgabeformate (responsive Website, Webhelp, epub, PDF u.a.). Damit ist es also möglich, die Dokumentation in nur einem (XML-)Format zu erstellen und trotzdem je nach Anwendungsbereich verschiedene Ausgabeformate daraus zu generieren.

Die neue DTABf-Dokumentation wurde im oXygen XML Editor erstellt, der Anpassungen für die Arbeit mit DITA enthält. Hier wird die Erstellung und Pflege der DITA map und aller zugehörigen DITA-Dokumente sowie die Transformation in die verschiedenen Formate und die Anpassung an individuelle Bedürfnisse in vielfältiger Weise unterstützt und erleichtert.

Für das DTABf wurde mithilfe des oXygen XML Editors zunächst eine Website (im responsive design) erzeugt und an das bekannte DTA-Design angepasst. Diese ist unter der gewohnten URL zugänglich und kann nun auf verschiedenen Geräten komfortabel gelesen werden (Abb. 4).

Abbildung DTABf-Website
Abbildung 4: DTABf-Website, hier: Topic “Gedichte in Prosawerken

Gegenüber der bisherigen HTML-Dokumentation setzt die DITA-Version nun auf kurze Dokumente bzw. topics, die in einer thematisch organisierten Hierarchie (über die DITA map) erreichbar sind. Daneben ist es möglich, Sachverhalte über die zugehörige Volltextsuche, die eine Gewichtung der Treffer nach Relevanz vornimmt, zu erreichen (Abb. 5).

Abbildung Volltextsuche in DITA
Abbildung 5: Volltextsuche in DITA; hier: Suche nach dem Ausdruck “Klammerung”

Die Dokumentation ist wie gewohnt aufgebaut: Einführungsseiten erläutern die Zielsetzung des Formats sowie erste Schritte bei dessen Verwendung. Es folgen die Richtlinien zur Transkription und zur Erfassung der Metadaten. Die Richtlinien zur Texterfassung sind unterteilt in die Spezifikation der formalen, also Layout-bezogenen oder physischen Phänomene im Text einerseits und der inhaltlichen, also konzeptuellen oder logischen Textstrukturen. Unter die Kategorie “formal” fallen beispielsweise Tabellen, Listen oder Abbildungen. Die Kategorie “inhaltlich” beinhaltet etwa die Kapitelgliederung, spezifische Genres wie Dramen oder Lyrik sowie die Kodierung editorischer Eingriffe. Weiterhin wird der Umgang mit einigen Spezial-Textsorten erläutert. Bislang enthält das DTABf in dieser Kategorie gesonderte Richtlinien zur Auszeichnung von Zeitungen und Periodika sowie von Manuskripten. Für den schnellen, Element-bezogenen Einstieg stehen schließlich Übersichten über das DTABf-Tagset im Textbereich sowie im Metadatenbereich zur Verfügung. In diesen Übersichten finden sich sämtliche DTABf-Elemente, die zugehörigen Attribute und Werte sowie Informationen über das Auszeichnungslevel, dem ein Element zugeordnet ist (1: obligatorisch, 2: empfohlen, 3: fakultativ, 4: unzulässig).

Alle Themen (topics) der DTABf-Dokumentation in DITA existieren als separate Dokumente zunächst unabhängig voneinander. Erst über die DITA map als übergeordnetes Dokument werden sie geordnet und zueinander in Beziehung gebracht. Dabei wird in der DITA map jedes topic an entsprechender Stelle referenziert (Abb. 6). Es wäre auf diese Weise auch möglich, topics mehrfach zu integrieren, wenn sie über unterschiedliche Zugänge auf sie zurückgegriffen werden soll.

Abbildung Ausschnitt aus der DITA map des DTABf
Abbildung 6: Ausschnitt aus der DITA map des DTA-Basisformats

Die DITA-Quelldateien werden unter der CC BY-SA 3.0 DE-Lizenz über github bereitgestellt. Somit ist auch eine Nachnutzung des DTABf möglich, bei der auf Grundlage der DTABf-Quelldateien eigene Ausgabederivate erstellt werden oder die Dokumentation individuell zusammengestellt, reduziert oder ergänzt wird.3 Kernstück ist dabei wiederum die DITA map, die individuell zusammengestellt werden kann, indem neue, eigene topics in die Dokumentation einbezogen oder existierende davon ausgenommen werden können.

Was ist neu am DTABf-Schema?

Im Einführungsteil der DTABf-Dokumentation finden sich auch Verweise auf die und Informationen zu den Schemadateien des DTABfs. Neben dem gewohnten DTABf-Schema für historische Druckschriften und dem ergänzenden Schematron-Regelsatz gibt es nun ein eigenes Schema für die Validierung von Manuskripten entsprechend dem DTA-Basisformat (i.e. DTABf-M).4 Diese Trennung erfolgte, weil Manuskripte gegenüber Druckschriften eine Reihe zusätzlicher struktureller Phänomene bergen, die über das Tagset abzubilden waren. Dies hätte umfangreiche Erweiterungen des DTABf-Tagsets zur Folge gehabt, die einerseits für die (weitaus größere Anzahl an) Druckschriften im DTA überflüssig wären, dabei aber andererseits mögliche Interpretationsspielräume und folglich Tagging-Ambiguitäten geschaffen hätte. Ein Beispiel:

In Manuskripten besteht die Möglichkeit, dass ein Autor eine Notiz am unteren Rand der Seite einträgt, die jedoch keine Fußnote ist. Ein solches Phänomen gibt es in Druckschriften nicht. Es könnte jedoch die Gefahr bestehen, dass das Tagging einer solchen Notiz mit dem Tagging von Fußnoten verwechselt und auch für Druckschriften angewendet wird.

(1) Tagging einer Notiz am unteren Rand einer Manuskriptseite:

<note place="mBottom">[Anmerkung am oberen Rand]</note>

(2) Tagging einer Fußnote:

<note place="foot" n="[Fußnotenreferenz]">[Fußnotentext]</note>

Abhilfe schafft zum einen das Kürzel „m“ am Beginn des Attribut-Wertes in (1), das eindeutig auf Manuskripte verweist. Besser ist es jedoch, wenn solche vermeintlichen Tagging-Varianten gar nicht erst vom Schema ermöglicht werden.

Um jedoch zu vermeiden, dass zwei separate, zum überwiegenden Teil aber identische Schemata gepflegt werden müssen (DTABf für Drucke und DTABf für Manuskripte), bot es sich an, auf den Chaining-ODDs-Mechanismus zurückzugreifen, der von der TEI angeboten wird. Dabei wird ein großes gemeinsames TEI-ODD erstellt, das sämtliche Taggingbesonderheiten enthält. In einem zweiten Schritt können verschiedene neue ODDs erstellt werden, die sich auf das “Über-ODD” beziehen und dieses reduzieren. Dieser Mechanismus greift also das Prinzip von ODD auf, bei dem Änderungen gegenüber dem TEI_all-Schema in einem individuellen ODD spezifiziert werden. Die den DTABf-Schemas für Drucke und für Manuskripte zugrundeliegenden ODDs sowie die daraus generierten Schemata sind ebenfalls unter einer freien, CC BY-SA 3.0 DE-Lizenz publiziert. Somit ist es möglich, die eigenen Dokumente gegen das DTABf-Schema für Drucke oder für Manuskripte zu validieren.

Fazit und Ausblick

Mit den genannten Neuerungen soll die Benutzung des DTABf als Annotationsformat weiter erleichtert werden, sowohl für die Aufbereitung von Daten für das DTA und die CLARIN-Infrastruktur, als auch für die Nachnutzung in externen Projekten. Die Dokumentation mit kurzen topics und im responsive design soll den Zugang zum Format vereinfachen. Weitere Derivate aus den DITA-Quelldateien (insbesondere eine PDF-Fassung) sind geplant. Wer nicht darauf warten möchte, kann sie nun aber auch selbst erstellen, denn über github sind sämtliche Quelldateien zur DTABf-Dokumentation verfügbar. Durch die Versionierung auf github können Änderungen und Neuerungen an den Dateien der Dokumentation ebenso wie am Schema außerdem direkt mitverfolgt werden. Dies schafft zukünftig mehr Transparenz.

Im Rahmen des Projekts Parthenos werden weitere Arbeiten am DTABf ermöglicht mit dem Ziel, das Format auch der englischsprachigen Community zugänglich zu machen. Diese Arbeiten beinhalten zum Beispiel die Bereitstellung einer englischsprachigen Dokumentation sowie die Aktualisierung und Überarbeitung des DTA-oXygen-Frameworks für die Erfassung DTABf-konformer Texte.

Für Rückfragen, Feedback und Wünsche planen wir, demnächst zusätzlich zu den bereits existierenden Kommunikationsmöglichkeiten die Kommentarfunktion zur Webhelp-responsive-Ausgabe der DITA-Dokumentation zu aktivieren.

  1. Vgl. Handreichung: Empfehlungen zu datentechnischen Standards und Tools bei der Erhebung von Sprachkorpora. Hrsg. vom Fachkollegium Sprachwissenschaften der DFG. Bonn 2015; Förderkriterien für wissenschaftliche Editionen in der Literaturwissenschaft. Hrsg. vom Fachkollegium Literaturwissenschaft der DFG. Bonn 2015 []
  2. Vgl. Stefan Dumont, Susanne Haaf, Tobias Kraft, Alexander Czmiel, Christian Thomas, Matthias Boenig: Applying Standard Formats and Tools. Vortrag im Rahmen der “TEI Conference and Members Meeting”. 26.–30. Oktober 2016, Wien (AT). [Abstract, Folien] []
  3. Nähere Informationen zu den detaillierten Nutzungsbedingungen des DTABf finden sich im Impressum zur Dokumentation. []
  4. Vgl. Susanne Haaf, Christian Thomas: Enabling the Encoding of Manuscripts within the DTABf: Extension and Modularisation of the Format. In: Journal of the Text Encoding Initiative (jTEI) 10: 2015 Conference Issue (akzeptiert; im Erscheinen). []

Ein Gedanke zu „Das DTA-Basisformat in neuem Gewand

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.