An der Universität wird man von Anfang an mit unterschiedlichen Forschungsdaten konfrontiert, das kann bei ersten Hausarbeiten der Fall sein, in Seminaren oder beim Erstellen der Abschlussarbeit. Forschungsdaten entstehen im Forschungsprozess durch das Sammeln von Daten, als Ergebnis von Auswertungs- und Analyseprozessen und beim Erstellen von fachwissenschaftlichen Inhalten. Für die Digital Humanities (DH) ist die Arbeit mit Forschungsdaten eines ihrer zentralen methodischen Aufgabenfelder - sei es in Form von Sprachkorpora, georeferenzierten Daten oder annotierten Audio- und Videodaten, um nur einige Beispiele zu nennen. In dem Maße, in dem Forschungsdaten eine immer wichtigere Rolle spielen, wächst auch die Bedeutung des sogenannten Forschungsdatenmanagements: Forschungsdaten müssen strukturiert erhoben, möglichst standardisiert gespeichert, mit Metadaten versehen, und für die langfristige Bereitstellung archiviert werden. Im Workshop wird in zentrale Themenbereiche des modernen Forschungsdatenmanagements eingeführt und praktische Werkzeuge zur Arbeit mit Forschungsdaten vorgestellt. Das offene Forum zum Seminarabschluss bietet den TeilnehmerInnen die Möglichkeit, eigene Daten zu besprechen (besonders als Vorbereitung für Abschlussarbeiten geeignet) oder bestehende Datensätze prototypisch aufzubereiten und das weitere Vorgehen zu erörtern.

Dozenten: Christiane Bayer, Christian Riepl, Martin Spenger

Die Wikipedia ist das größte Nachschlagewerk der Welt und auf Platz 7 der meistgenutzten Websites in Deutschland. Dabei weist nicht nur die Online-Enzyklopädie, sondern auch die mit ihr verknüpfte Datenbank Wikidata verschiedene Formen von Bias auf. Nur knapp 19 Prozent der Biografien in der englischsprachigen Wikipedia sind über Frauen. Artikel zu Themen, die den Afrikanischen Kontinent betreffen, sind unterrepräsentiert und historische Artikel eurozentristisch. Der große Vorteil der Wikipedia: Anders als bei herkömmlichen Lexika können wir aktiv etwas gegen den Bias tun, indem wir selbst Artikel erstellen und Daten in Wikidata einpflegen. Dabei gilt es jedoch, die Qualitätsanforderungen und Relevanzkriterien der Community zu beachten.

Der Workshop gibt eine Einführung in Wikipedia und Wikidata. Dabei wird aufgezeigt, welche Formen von Bias die Projekte aufweisen, warum das problematisch ist und welche Initiativen daran arbeiten, den Bias zu lindern. Anschließend erarbeiten wir, wie wir selbst Artikel in der Wikipedia erstellen und veröffentlichen und wie wir Daten in Wikidata einbringen können. In einem Edit-a-thon erstellen die Teilnehmer*innen mindestens einen eigenen Artikel, geben sich gegenseitig Feedback und veröffentlichen ihn der deutschsprachigen Wikipedia. Der Fokus liegt dabei auf dem Projekt „Frauen in der Wissenschaft“, das dazu beiträgt, Wissenschaftlerinnen aus der Metropolregion Nürnberg in der Wikipedia sichtbar zu machen.

Literatur:

• Heather Ford, Judy Wajcman (2017): Anyone can edit, not everyone does: Wikipedia`s infrastructure and the gender gap. in: Social studies of science 47, 4, S. 511–527.
• Vetter, Matthew A., Mandell Pettiway, Keon (2017): Hacking Hetero/Normative Logics: Queer Feminist Media Praxis in Wikipedia. In: Technoculture 7. Verfügbar unter: https://tcjournal.org/vol7/hacking-hetero-normative-logics, abgerufen am 14.02.2022.
• Anna Samoilenko et al (2017) [Datensatz]: Multilingual historical narratives on Wikipedia. https://doi.org/10.7802/1411.

Inhalt und Struktur:

• Wikipedia, Wikidata und Wikicommons: Struktur, Akteur*innen, Bedeutung
• Gender Bias, Eurocentristic Bias und Geographical Bias in den Wikimedia-Projekten
• Edit-a-thon: Eigenes Erstellen von Wikipedia-Artikeln und Eintragen von Daten in Wikidata

Dozenten: Mona Dietrich, Katharina Layrer

Ziel dieses Workshops ist es, einen Einblick in die Themenfelder der konventionellen Datenanalyse sowie der Big Data-Datenanalyse zu geben. Während konventionelle Datenanalyse primär in der Extraktion und Aggregation relevanter Informationen und der statistischen Auswertung dieser Information aus relationalen Datenbanksystemen mit überschaubaren und oft abgeschlossenen Datensätzen besteht, ist die Big Data Analytics anders gelagert:

Big data is a term applied to data sets whose size or type is beyond the ability of traditional relational databases to capture, manage and process the data with low latency. Big data has one or more of the following characteristics: high volume, high velocity or high variety. Artificial intelligence (AI), mobile, social and the Internet of Things (IoT) are driving data complexity through new forms and sources of data. For example, big data comes from sensors, devices, video/audio, networks, log files, transactional applications, web, and social media — much of it generated in real time and at a very large scale. (IBM)

Inhalte:

• Grundlagen konventioneller Daten und ihrer Analyse
• Forschungsprojekte mit konventionellen Daten
• Grundlagen der Big Data Analytics: Große Datenmengen und wenig Struktur
• Big Data-Projekte am Leibniz-Rechenzentrum

Dozenten: N.N.

Sentiment und Emotionsanalyse ist momentan eine der populärsten Methoden in den Digital Humanities und wird primär auf Text eingesetzt, um Sentiment/Emotionsverläufe und –verteilungen zum Beispiel in Märchen (Alm & Sproat, 2005; Mohammad, 2011), Romanen (Jannidis et al., 2017; Reagan et al., 2017) oder Dramen (Schmidt et al., 2019; Schmidt & Burghardt, 2018) zu analysieren. Neben Text ist im Bereich des Affective Computing aber auch die Emotionsanalyse von Gesichtern möglich und kann eine Bereicherung für die Forschung in den Digital Humanities darstellen. In diesem Kurs werden die Möglichkeiten multimodaler Sentiment- und Emotionsanalyse exploriert. Neben einer allgemeinen Einführung in die wichtigsten Methoden und Libraries für die Modalitäten Text und Video werden anhand konkreter Beispiele aus dem Film und Theater-Bereich Ergebnisse erarbeitet und analysiert. Dabei sollen auch die Grenzen dieser Methoden für künstlerische und narrative Aspekte erschlossen werden.

Inhalt und Struktur:

• Allgemeine Einführung in Sentiment- und Emotionsanalyse in den DH
• Text: Lexikonbasierte Verfahren und Machine Learning
• Video: OpenFace, Detectron, DeepFace
• Anwendung und Erschließung an ausgewählten Film-Beispielen

Dozenten: Thomas Schmidt