Ein Beitrag von Benjamin Fiechter, Susanne Haaf, Amelie Meister und Oliver Pfefferkorn

Im Rahmen einer Kooperation zwischen den CLARIN-D-Zentren am Institut für Deutsche Sprache in Mannheim und an der Berlin-Brandenburgischen Akademie der Wissenschaften in Berlin wurde ein historisches Zeitungskorpus neu digitalisiert und in das Deutsche Textarchiv (DTA) integriert. Dieses Korpus bildet nun den zweiten Teil des Mannheimer Korpus Historischer Zeitungen und Zeitschriften (MKHZ), das zuvor am IDS aufgebaut worden war und das ebenfalls sukzessive in das DTA integriert wird. Mit den beiden Teilkorpora des MKHZ steht nun ein umfangreiches und vielfältiges historisches Zeitungskorpus frei zugänglich zur Nachnutzung bereit und kann über das Deutsche Textarchiv nicht nur heruntergeladen, sondern auch in vielfältiger Form online exploriert und analysiert werden. Der folgende Artikel beschreibt das neu digitalisierte Teilkorpus hinsichtlich seiner Zusammensetzung, dem Verfahren seiner Digitalisierung sowie seiner Einbettung im Kontext der bestehenden Zeitungskorpora des Deutschen Textarchivs.

Hintergrund der Korpuszusammenstellung

Ausgangs- und Bezugspunkt der Zusammenstellung dieses neuen Zeitungs(teil)korpus war das über das Korpusrecherchesystem des IDS, COSMAS II, verfügbare Mannheimer Korpus Historischer Zeitungen und Zeitschriften (MKHZ). Es umfasst derzeit etwa 652 vollständige Exemplare aus 21 Zeitungen und Zeitschriften des 18. und 19. Jahrhunderts mit insgesamt über 4.1 Mio laufenden Wortformen auf 4678 Druckseiten. Um eine ausgewogenere zeitliche und räumliche Verteilung der einzelnen Zeitungen zu erreichen, soll es allmählich ergänzt werden. In einem ersten Schritt wurde dafür der Zeitraum zwischen 1880 und 1920 ausgewählt, der bisher unterrepräsentiert war und für den nun ein zweites Teilkorpus zum MKHZ aufgebaut wurde (MKHZ II). Zeitungen aus dieser Periode benötigte zudem das am IDS Mannheim und an der Uni Würzburg durchgeführte, DFG-geförderte Projekt „Redewiedergabe“

Beide genannten Korpora wurden manuell im double keying-Verfahren durch Nicht-Muttersprachler erfasst. Die Auswahl von Zeitungen für eine solche Digitalisierung durch Nicht-Muttersprachler steht jedoch vor großen Problemen. So wurden die Zeitungen für den bereits vor einiger Zeit fertiggestellten ersten Teil des Mannheimer Korpus auf der Grundlage der Bestände des Mikrofilmarchivs der deutschsprachigen Presse in Dortmund ausgewählt. Dabei konnte allerdings ein Teil der vorgesehenen Mikrofilme letztlich nicht verwendet werden, da relativ viele der enthaltenen Aufnahmen aus verschiedenen Gründen sehr schlecht lesbar waren. Muttersprachler hätten zwar vieles erahnen können; da die Texte aber in China abgetippt werden sollten, waren völlig einwandfreie Bilddateien vonnöten, gerade auch wegen der in den Zeitungen verwendeten Frakturschrift. So wurde zunächst die Lesbarkeit zum wichtigsten Kriterium der Textauswahl, wodurch aber gerade kein nach Räumen und Zeiten exemplarisches Textkorpus entstand, so dass dieses erste Korpus nun nachträglich zu ergänzen ist.

Für den neuen Teil des Zeitungskorpus wurde, auch um die Digitalisierungskosten zu senken, nicht auf Mikrofilm-Zeitungskopien zurückgegriffen, sondern nach im Netz zur Verfügung gestellten Zeitungsfaksimiles gesucht. Doch auch in diesem Fall wurde wieder die Textlesbarkeit zum entscheidenden Auswahlkriterium. Zwar stellt Google Books eine Vielzahl von historischen Zeitungen des 18. und 19. Jahrhunderts im PDF-Format zur Verfügung. Aufgrund ihrer zumeist eher schlechten Qualität kommen sie jedoch nicht als Vorlagen in Frage. Allerdings ist diese mangelnde Qualität schon den Textquellen inhärent. Zeitungen waren immer eine Textsorte für den tagesaktuellen Bedarf, sie wurden von vornherein nicht für eine längere Konservierung bereitgestellt. Für ihren Druck verwendete man deshalb oft nur minderwertiges Papier, das sich im Laufe der Zeit allmählich zu zersetzen beginnt, so dass schon eine Faksimilierung problematisch sein kann.

Neuerdings stellen viele Bibliotheken Faksimiles von Teilen ihrer Zeitungsbestände online, um potentiellen Benutzern den Zugang zu erleichtern und damit die Originale zu schonen. Da Zeitungen meist großformatig sind, müssen die Kopien allerdings stark vergrößerbar sein, damit sämtliche darin enthaltenen Zeichen auch von Nicht-Muttersprachlern problemlos identifiziert werden können. Dies gelingt nur bei einer hohen Auflösung der digitalen Faksimiles, die in sehr vielen Fällen nicht gegeben war. Vorbildlich in dieser Hinsicht ist allerdings das ANNO-Korpus der Österreichischen Nationalbibliothek, das Zeitungen und Zeitschriften aus dem gesamten Gebiet der Österreichisch-Ungarischen Monarchie seit 1689 enthält und auf das bei der Auswahl der Zeitungen mit einer Ausnahme (St. Galler Volksblatt) zurückgegriffen wurde. Damit ließ sich zugleich eine regionale Lücke im Mannheimer Korpus füllen, das bislang nur eine Zeitung aus diesem Gebiet enthielt. Da eine Volltextdigitalisierung insgesamt sehr aufwändig ist, kooperiert das IDS in diesem Fall mit dem Deutschen Textarchiv (DTA), wo bereits etablierte Workflows für derartige Digitalisierungsaufgaben vorliegen.

Zusammensetzung des Korpus

Für das hier vorgestellte MKHZ II wurden insgesamt 236 Ausgaben von sechs verschiedenen Zeitungen erfasst, die im Zeitraum von 1883 bis 1918 erschienen sind:

• 30 Ausgaben der Badener Zeitung (1896–1916),
• 38 Ausgaben der Czernowitzer Allgemeinen Zeitung (1904–1918),
• 46 Ausgaben des Mährischen Tagblatts (1884–1898),
• 51 Ausgaben der Marburger Zeitung (1900–1917),
• 43 Ausgaben der Reichspost (1894–1915) und
• 28 Ausgaben des St. Galler Volksblatts (1883–1900).

Insgesamt wurden 1813 Seiten erfasst; die einzelnen Ausgaben umfassen also durchschnittlich 7,6 Seiten.

Die Erscheinungsorte bzw. die Adressen der Redaktionen befinden sich bis auf die genannte Ausnahme (St. Galler Volksblatt) auf dem ehemaligen Territorium Österreich-Ungarns: Baden (Niederösterreich); Чернівці/Tscherniwzi (historisch Czernowitz, heute Ukraine); Olomouc (historisch Olmütz, heute Tschechien); Maribor (historisch Marburg, heute Slowenien); Wien (Österreich).

Neben politischen Artikeln und Tagesaktuellem fallen besonders die vielen Lokalnachrichten auf. Politisch sind die Zeitungen in unterschiedlichen Lagern zu verorten, allerdings vertrat die Redaktion der Reichspost offen antisemitische Positionen. Erwartungsgemäß wird wiederholt das Verhältnis zwischen den Bevölkerungsgruppen in der k. u. k. Monarchie und deren politische Teilhabe thematisiert, z. B. in einem Artikel, der auf Entwicklungen in der Innenpolitik eingeht. Hier stehen insbesondere wirtschaftliche Aspekte im Fokus, die die Abhängigkeit Ungarns von Österreich herausstellen und eine Drohkulisse entwickeln sollen, falls sich Ungarn einem politischen Ausgleich widersetzt. Der Artikel mit der Überschrift “Ungarn und der Ausgleich” schließt mit den Worten:

“Schon einmal gab es eine Zeit, da die Hartnäckigkeit Ungarns, einen billigen Antheil an den Reichslaſten zu übernehmen, für die Magyaren verhängnißvoll wurde. Bekanntlich weigerte ſich Koſſuth als Finanzminiſter des Jahres 1848, einen Theil der gemeinſamen Staatsſchuld auf den ungariſchen Fiscus zu übernehmen und dieſe unſinnige Ablehnung einer naturgemäßen Verpflichtung gab der reactionären Partei den Anlaß, der Unabhängigkeit Ungarns den Krieg zu erklären. Auch jetzt gibt es in den leitenden Kreiſen Stimmen, welche die Demüthigung des übermüthigen Ungarn predigen. Das Scheitern des Ausgleiches würde, ſagt die „Grazer Tagespoſt,“ die Seelen dieſer Politiker ſchweigen machen und die Ueberzeugung wachrufen, es ſei mit Banffy und ſeinen Anhängern nicht zu regieren. Sehr vielſeitig und verwickelt ſind die hier einſchlägigen Fragen, aber gerade Ungarn muß wünſchen, daß eine Vereinbarung zuſtandekomme, da der Streit der Völker nur zu ſeinem Unheil ausſchlagen kann.”

Quelle: ([N. N.]: Ungarn und der Ausgleich. In: Mährisches Tagblatt. Nr. 165, Olmütz, 20.07.1896, S. [1]–[2].
In: Deutsches Textarchiv , abgerufen: 24.01.2019.)

Verfahren der Digitalisierung

Die betreffenden Zeitungen des Korpus wurden entsprechend dem DTA-Workflow für die Digitalisierung historischer Druckschriften aufbereitet.

Dieser besteht aus 7 Schritten:

1. Vorbereitung der Bilddateien für die Texterfassung
2. Texterfassung und XML-nahe Textstrukturierung durch Nicht-Muttersprachler im Double-Keying-Verfahren
3. Konvertierung der strukturierten Transkriptionen in das TEI-P5-kompatible DTA-Basisformat (DTABf)
4. Erhebung der Metadaten
5. Automatisierte linguistische Analyse und Indizierung durch die Suchmaschine DDC
6. Integration des fertigen Dokuments in die Text-Bild-Ansicht der Qualitätssicherungsplattform DTAQ mit anschließender Durchsicht und ggf. Korrektur
7. Veröffentlichung des Dokuments auf der Webseite des DTA

Hierbei wechseln sich manuelle und automatische Verfahren ab, sodass ein möglichst effizienter Ablauf gegeben ist, in den jedoch immer wieder steuernd und korrigierend eingegriffen wird.

Dem Workflow liegen umfangreiche Transkriptions- und Annotationsrichtlinien zugrunde, zunächst für die Erfassung in einem vereinfachten XML-Format, das die TEI-Semantik aber abbildet, dann für das fertige TEI-XML-Dokument. Somit muss die Vorbereitung der Bilddateien (Schritt 1) nur die Identifikation derjenigen Textstrukturen leisten, die nicht aufgrund der geschriebenen Richtlinien und einer einfachen Autopsie des Bildes durch Nicht-Muttersprachler identifiziert werden können. Dies betrifft im vorliegenden Fall z. B. die Zuordnung von Rubriken und Artikeltypen in einer Zeitungsausgabe, während etwa Sperrdruck i. d. R. auf den ersten Blick erkennbar ist. Die entsprechenden Strukturen werden als Zonen auf das Bild geschrieben und mit Bezeichnern (Labels) versehen. Dieser Schritt ist im Falle von Zeitungstexten aufgrund des teilweise eigenwilligen Layouts, mit variierenden Textspalten-Aufteilungen, Überschriften unterschiedlicher Hierarchiestufen, Unterbrechungen durch Werbeanzeigen oder Tabellen besonders bedeutsam. Dafür kommt das bereits zuvor für andere Digitalisierungsprojekte verwendete  „DTA-Zoning Tool“ zum Einsatz. Die Anwendung erlaubt es, einzelne Textzonen auf dem digitalen Faksimile kenntlich zu machen und bestimmten Typen zuzuordnen. Die vorgegebenen Kategorien z. B. für Strukturmerkmale wie Fußnoten, Überschriften verschiedener Ordnungen oder grafische Elemente (z. B. Bilder, Tabellen oder Listen), können je nach Projekt um textspezifische inhaltliche Kategorien ergänzt werden. Im Falle der Zeitungen sind das z. B. politische Nachrichten, Wetterberichte und -prognosen, Leserbriefe oder Anzeigen.

Diese Metainformationen können dann als „tags“ mit in die Digitalisate übernommen werden.

Zusammen mit den allgemeinen Richtlinien sowie einer speziellen Arbeitsanweisung für jedes Dokument werden die so vorbereiteten Bilddateien an einen Dienstleister zur Texterfassung gesandt.Im Anschluss an die Erfassung erfolgt die teilautomatische Konvertierung der Dokumente in das TEI-P5-kompatible DTABf. Dabei lassen sich viele regelmäßige Strukturen mit entsprechenden Skripten einfach konvertieren. Daneben gibt es jedoch immer auch problematische Fälle, die manueller Nacharbeit bedürfen. Die häufigsten Fälle in diesem Zusammenhang sind bei der Zeitungserfassung zum einen Zeichen, die für die Erfasser nicht leserlich waren und somit im Nachhinein ergänzt werden müssen, sowie zum anderen diskontinuierliche Artikelteile, die im Nachhinein miteinander zu verknüpfen sind. Fehlende Zeichen konnten bei der Nachkorrektur in der Regel aus Perspektive der Muttersprachler erschlossen und ergänzt werden. Unter Umständen wurden hierbei z. B. auch Schreibfehler in den Originalen bereinigt, dabei aber als Korrektur gekennzeichnet. Diskontinuierliche Artikelteile ergeben sich in Zeitungen häufig aus der Erfassung auf Seitenebene, wenn etwa mehrere Artikel auf der Titelseite begonnen, auf den folgenden Seiten fortgeführt und somit durch andere Artikel unterbrochen werden. Hier wurden @xml:id-Attribute vergeben, mithilfe derer die Teilartikel auf Attributebene verknüpft werden konnten (Abb. 1).¹

Abb. 1: Kodierungsbeispiel für die Verknüpfung von diskontinuierlichen Artikeln (Quelle: St. Galler Volksblatt. Nr. 10, Uznach, 2. Februar 1887, S. 3. In: Deutsches Textarchiv)

Die fertig konvertierten Zeitungsausgaben werden mit Metadaten versehen, auf Token-Ebene automatisch linguistisch analysiert, an die Suche im DTA angeschlossen, in die Qualitätssicherungsplattform DTAQ eingespielt und schließlich über die DTA-Webseite verfügbar gemacht (Abb. 2; vgl. ausführlicher Geyken et al. 2018).

Abb. 2: Text-Bild-Ansicht im Deutschen Textarchiv (Quelle: Badener Zeitung. Nr. 21, Baden (Niederösterreich), 14.03.1906, S. [1]. In: Deutsches Textarchiv)

Leider ist die vollständige Digitalisierung der Anzeigenteile aufgrund unregelmäßiger Anordnung der einzelnen Annoncen, oft wortweise wechselnden Schriftarten und -größen sowie Bebilderungen unverhältnismäßig aufwändig. Entsprechend wurden die jeweiligen Seiten zwar als Anzeigenteil gekennzeichnet, aber nicht erfasst. So sind sie zwar nicht Teil des durchsuchbaren Korpus, aber als Scan zugänglich und leicht auffindbar. Die teilweise bebilderten Werbeanzeigen und Privatannoncen sind von großem Informations- und Unterhaltungswert, geben sie doch Aufschluss über das zeitgenössische Konsum- und Sozialverhalten. Besonders an Heiratsannoncen und die Bewerbung von Luxusgütern ist dabei zu denken.

Das Korpus im Kontext der DTA-Zeitungskorpora

Mit dem MKHZ II wird das Deutsche Textarchiv weiter um einen signifikanten Bestand an historischen Zeitungen und Zeitschriften ergänzt. Vor dem Hintergrund, dass es sich bei Zeitungen und Zeitschriften um sehr weitreichend rezipierte Vertreter der Gebrauchsliteratur handelt und sie andererseits nicht zum Kernbestand an Texten gehörten, die ursprünglich für das Deutsche Textarchiv zu digitalisieren waren, sind solche Ergänzungen von Zeitungskorpora für das DTA von besonderer Bedeutung (s. dazu auch Geyken/Haaf 2018).

Bislang konnten insgesamt 7 Zeitungs- und Zeitschriftenkorpora bearbeitet werden. Davon wurden 4 Korpora abgeschlossen, in die DTA- und CLARIN-D-Infrastruktur integriert und über die DTA-Webseite sowie alle weiteren Komponenten des DTA zugänglich gemacht. Diese sind neben dem hier vorgestellten zweiten Teil des Mannheimer Korpus Historischer Zeitungen und Zeitschriften auch die Neue Rheinische Zeitung ((Bereitgestellt durch das Akademienvorhaben „Marx-Engels-Gesamtausgabe“ der BBAW (Dr. Jürgen Herres). Zugänglich unter: http://deutschestextarchiv.de/nrhz/.)), das Korpus des Hamburgischen Correspondenten² sowie ein Korpus von Ausgaben der Wolfenbüttler Aviso. Relation oder Zeitung von 1609.³ Weitere zwei Korpora befinden sich in der Bearbeitung und wurden bereits teilweise integriert, so der erste Teil des Mannheimer Korpus Historischer Zeitungen und Zeitschriften⁴ sowie die deutschen und mehrsprachigen Ausgaben des Jahrbuchs des Schweizer Alpen Clubs. ((Bereitgestellt durch das Projekt “Text+Berg” (Prof. Dr. Martin Volk, Prof. Dr. Noah Bubenhofer). Zugänglich unter: http://kaskade.dwds.de/dstar/textberg/.)) Die Zeitschrift Die Grenzboten⁵ schließlich wurde vollständig bearbeitet, steht allerdings nicht als Text-Bild-Ansicht zur Verfügung, sondern ist über die DTA-Korpusrecherche-Plattform “dstar” abfragbar.

Insgesamt ergibt sich das in den Abbildungen 3 und 4 dargestellte Bild.

Abb. 3: Zeitungs- und Zeitschriftenkorpora des DTA nach Ausgaben

Abb. 4: Zeitungs- und Zeitschriftenkorpora des DTA nach Seiten
(N.b.: Aufgrund ihres gegenüber den anderen Korpora wesentlich herausragenden Seitenumfangs wurden die Korpora des SAC-Jahrbuchs (87.006) und der Grenzboten (181.699) hier nicht mit dargestellt.)

Literatur

Geyken et al. 2018: Alexander Geyken, Matthias Boenig, Susanne Haaf, Bryan Jurish, Christian Thomas und Frank Wiegand: Das Deutsche Textarchiv als Forschungsplattform für historische Daten in CLARIN. In: Henning Lobin, Roman Schneider und Andreas Witt (Hgg.): Digitale Infrastrukturen für die germanistische Forschung (= Germanistische Sprachwissenschaft um 2020, Bd. 6). Berlin/Boston, 2018, S. 219–248. Online-Version.

Geyken/Haaf 2018: Alexander Geyken und Susanne Haaf: Integration heterogener historischer Textkorpora in das Deutsche Textarchiv. Strategien der Anlagerung und Perspektiven der Nachnutzung. In: Joachim Gessinger, Angelika Redder und Ulrich Schmitz (Hrsg.): Korpuslinguistik. Duisburg 2018 (= Osnabrücker Beiträge zur Sprachtheorie, Bd. 92), S. 175–192.

1. Für nähere Informationen zu diesem Auszeichnungsverfahren siehe das Kapitel „Verknüpfungen diskontinuierlicher Artikelteile“ im DTABf. [↩]
2. Bereitgestellt durch das Institut für Germanistik und Vergleichende Literaturwissenschaft, Universität Paderborn (Prof. Dr. Britt-Marie Schuster). Zugänglich unter: http://www.deutschestextarchiv.de/search/metadata?corpus=correspondent. [↩]
3. Bereitgestellt durch die Professur für Germanistische Sprachwissenschaft (Prof. Dr. Thomas Gloning) an der Justus-Liebig-Universität (JLU) Gießen. Zugänglich unter: http://www.deutschestextarchiv.de/anonym_aviso_1609. [↩]
4. Bereitgestellt durch das Institut für Deutsche Sprache Mannheim (Dr. Peter Fankhauser). Zugänglich unter: http://www.deutschestextarchiv.de/search/metadata?corpus=mkhz1. [↩]
5. Bereitgestellt durch die Staats- und Universitätsbibliothek (SuUB) Bremen (Dr. Manfred Nölte). Zugänglich unter: http://kaskade.dwds.de/dstar/grenzboten/. [↩]

---

---