Nicht alle Daten, die wir sammeln, sind gleichwertig. Daten unterscheiden sich in ihrer Aussagekraft. Das mag trivial klingen mag, wird aber oft vergessen, wenn Daten erhoben werden. Wenn ich in meinem Adressbuch die Geburtstage und die Geburtsdaten von allen meinen Freunden sammle, dann ist es nicht nötig, gleichzeitig zu erheben, ob sie zur Generation X, Y, oder Z gehören, denn diese Information kann ich ja direkt aus dem Geburtsdatum ableiten. Wenn Daten aber aus anderen Daten ableitbar sind, dann lohnt es sich so gut wie nie, diese gesondert zu sammeln. Man kann sie ja einfach generieren, indem man von vornherein die aussagekräftigeren Daten sammelt. Man kann sogar so weit gehen, und daraus eine Maxime für die Datensammlung ableiten: “Erhebe keine berechenbaren Daten, erhebe stattdessen die Grunddaten und leite die berechenbaren Daten daraus ab”.
Ein weiteres wichtiges Prinzip des Datensammelns besteht darin, den Aufwand und den Ertrag des Datensammelns klar miteinander zu verrechnen, bevor man sich an das Datensammeln begibt. Oft ist es ja so, dass es ein bisschen komplizierter ist, Daten in der einen Form zu erheben als in der anderen. Wenn man dann aber aus Bequemlichkeit den einfacheren Weg wählt, dann kann dies auf längere Sicht problematisch werden, vor allem dann, wenn man die Daten erweitern möchte.
Wenn man beispielsweise Daten über sich selbst sammeln und jeden Tag im Jahr erfassen möchte, an dem man einmal joggen war, dann kann man einfach ein Kreuzchen in den Kalender machen an jedem Tag, an dem man unterwegs war, aber wenn man am Ende alle Tage zählen möchte, dann kann es mitunter kompliziert werden, weil man sich beim Blättern durch den Kalender leicht verzählen kann. Es ist daher sicher besser, die Daten digital zu sammeln. Noch besser, als in einer Tabelle jedoch einfach nur ein Kreuz an einem bestimmten Tag zu machen, wäre es, die Kilometerzahl oder die Zeitdauer aufzuschreiben. Denn man läuft ja nicht immer gleich viel. Die Information, ob man joggen war oder nicht, ist aus der Zeitdauer oder der Kilometerzahl ableitbar: wenn es keinen Eintrag gibt, oder man sie auf Null setzt, dann war man nicht joggen.
Wenn man also ein bisschen mehr Zeit investiert (man muss statt eines Kreuzchens eine Zahl in die Tabelle eintragen und auch sicherstellen, dass man weiß, wie viel Strecke man zurückgelegt hat oder wie lange man unterwegs war), dann kann man auf der einen Seite die Zielinformationen sammeln und sich auf der anderen Seite auf den Tag vorbereiten, an dem man eine Fitnesskurve über das Jahr hinweg erstellen und sie stolz auf Twitter mit seinen Followern teilen kann. Diese zweite Maxime des Datensammelns könnte man formulieren als: “Sei bereit, ein bisschen mehr Zeit zu investieren, wenn das Deine Daten bereichert.”
Ein letztes wichtiges Prinzip des Datensammelns, welches mir im Moment spontan einfällt, besteht darin, jegliche Form von Datenverlust zu vermeiden. Datenverlust kann auf verschiedene Arten entstehen. Die schlimmste Form ist dabei aber die, die von den Datensammlern selbst bewusst forciert wird, indem diese Daten aus der Sammlung herausschmeißen, die sie für unwichtig halten. Das passiert oftmals aus vermeintlicher Bequemlichkeit, wenn man Daten in einer bestimmten Form gesammelt hat, die sich dann als unpraktisch erweist, und dann alle Daten umformt, ohne die ursprüngliche Form zu bewahren. Diese Art des Datenverlustes findet man häufig dann vor, wenn Menschen mit Daten arbeiten, die sie aus anderen Quellen übernommen haben. Da diese Daten selten den eigenen Ansprüchen genau entsprechen, werden sie entsprechend verändert und ungeformt, was oft mit Informationsverlust einhergeht, was eigentlich nicht schlimm wäre, solange die Rohdaten aufbewahrt und in die Datenbank mit aufgenommen und nicht “weggeworfen” werden.
Das Problem am Wegwerfen von Daten ist, dass man Daten meist auch ohne Verlust automatisch transformieren könnte. In vielen Fällen wird die Umformung von Daten in neue Formate ja sogar automatisch durchgeführt. Wenn man die Daten aber selbst ableitet und nachher die Rohdaten wegschmeißt, dann nimmt man bewusst einen Informationsverlust in Kauf, der irreversibel ist. Wenn es um das Umwandeln von Daten geht, sollte man daher in keinem Fall die Rohdaten wegschmeißen, und im Idealfall dafür sorgen, dass die Umwandlung komplett automatisch stattfindet, da sie nur so auch transparent auf neue Rohdaten angewendet werden kann. Die dritte Maxime des Datensammelns könnte daher lauten: “Wirf keine Daten weg, die Dir zur Verfügung gestellt wurden.”
Leider wird in meiner Forschung zur Sprachwissenschaft nur allzu oft gegen diese drei Maximen des Datensammelns (“Erhebe Grunddaten, denke an die Erweiterbarkeit Deiner Daten, und wirf keine Daten weg!”) verstoßen. Ich selbst habe auch Datensätze erstellt, in denen ich die Maximen nicht beachtet und damit zur Entstehung von “Datenfriedhöfen” beigetragen habe.
Für meine Dissertation (List 2014) zum Beispiel hatte ich lange Zeit ein sehr striktes Datenformat verwendet, das so unflexibel war, dass ich nur die phonetische Transkription von Wörtern, nicht aber deren ursprüngliche Orthographie in mein Programm einlesen konnte. Da ich die Orthographie aber ohnehin für die Analyse nicht brauchte, war sie mir auch herzlich egal, und so ließ ich sie einfach weg, obwohl sie eigentlich den meisten Daten, die ich verwendete, ursprünglich zugrunde lag. Das bereue ich heute, da man mich später auf Transkriptionsprobleme hinwies, bei denen es sinnvoll wäre, die Transkription mit der Orthographie abzugleichen (die Daten sind auf sequencecomparison.github.io verfügbar und einsehbar). Selbst die Transkriptionen, die ich von verschiedenen Wörterbüchern übernommen hatte, hatte ich nicht in ihrer Grundform von den verschiedenen Quellen übernommen, sondern sie oftmals halbautomatisch leicht verändert, ohne die Ursprungsform zu bewahren. Ich hatte also weder wirkliche Grunddaten erhoben, noch die Erweiterbarkeit der Daten beachtet, und dabei noch gehörig Information weggeworfen.
Zum Glück haben ich in der Folgezeit viel Kontakt zu Kolleginnen und Kollegen gehabt, die sich mit dem Erheben von Daten auskennen. Ich habe in dem Zusammenhang auch gelernt, dass man Daten, die nicht vollkommen perfekt sind, mit Hilfe einiger gezielter Techniken auch relativ leicht “liften”, also “anheben”, kann, indem man sie in Bezug auf verschiedene Aspekte vergleichbar macht. Dazu zählt in der Linguistik die Standardisierung der Namen von Sprachvarietäten (die stark variiert), die Standardisierung von Glossen, mit denen man die Bedeutung von Wörtern denotiert, und die Standardisierung der Transkriptionssysteme. Für alle Probleme gibt es inzwischen erste Standards. Für Sprachvarietäten gibt es den Referenzkatalog Glottolog (https://glottolog.org, Hammarström et al. 2021). Für Konzepte gibt es unser Concepticon (https://concepticon.clld.org, List et al. 2021, und für die phonetische Transkription haben wir die Cross-Linguistic Transcription Systems entwickelt (https://clts.clld.org, CLTS, List et al. 2020). Wenn man nun Sprachdaten, wie Wortlisten, die nicht standardisiert sind, halbautomatisch auf diese drei Kataloge verlinkt, dann kann man sie “retrostandardisieren”, wie wir das inzwischen nennen.
Ein Beispiel für einen solchen retrostandardisierten Datensatz ist unsere digitale Ausgabe der Tableaux phonétiques des patois suisses romands, einer Sammlung von Wortlisten für französische Dialekte der Schweiz, die zu Beginn des 20. Jahrhunderts erhoben wurde. Da die Dialekte selbst inzwischen nahezu vollständig ausgestorben sind, stellt diese Sammlung ein wichtiges Zeugnis ehemaliger Sprachdiversität in der Suisse Romands dar. Um sie vergleichbar zu machen, nutzten wir zunächst die Methoden der Retrostandardisierung, für die wir inzwischen einen relativ flexiblen Workflow entwickelt haben (List et al. 2022). Die retrostandardisierten Daten, die nur als Wortlisten vorlagen, konnten dann ohne allzu großen Aufwand in eine Webapplikation überführt werden (https://tppsr.clld.org, TPPSR online, Geisler et al. 2020), in der man die Sprachdaten interaktiv im geographischen Raum inspizieren kann (Geisler et al. im Erscheinen).
Nicht alle Daten, die nicht vollständig erhoben wurden, sind verloren. Es kann aber mitunter erheblichen Aufwand kosten, Daten im Nachhinein zu standardisieren oder zu erweitern. Auch wenn ich mich inzwischen daran gewöhnt habe, alle möglichen linguistischen Daten zu “liften”, welche nicht standardisiert und in problematischen Formaten oder mit anderen Mängeln geteilt werden, ist es nach wie vor immer wieder enttäuschend, zu sehen, wie viel Zeit wir eigentlich vergeuden, indem wir Datensätze erheben, ohne genauer darüber nachzudenken, wie man diese Erhebung optimieren könnte.
Nicht nur in der Linguistik geht uns das übrigens so. Auch in der aktuellen Pandemiesituation wurde ja schon oft diskutiert, welche Daten eigentlich erhoben werden müssten. Wir haben das in Debatten um den Ct-Wert erlebt, der den Grad der Infektiosität von Infizierten messen könnte, aber — soweit ich das verstehe — kaum explizit erfasst wird. Wir haben auch gesehen, welche Probleme starre Dateneingabesysteme haben, die beispielsweise von zwei Impfungen ausgehen, und dadurch zu Unsicherheiten beim Erfassen von Impfungen führen, die nur einmal verabreicht werden müssen. Wir erleben auch (zum Beispiel wieder beim Ct-Wert), wie große Probleme aus der mangelnden Vergleichbarkeit von Daten entstehen. Ich habe leider meine Zweifel, dass Retrostandardisierung in Bezug auf die Daten, die zur Pandemie erhoben wurden, viel helfen würde. In der Linguistik leistet sie uns allerdings bisher wunderbare Dienste.
Literatur
Geisler, Hans and Forkel, Robert and List, Johann-Mattis (forthcoming): A digital, retro-standardized edition of the Tableaux Phonétiques des Patois Suisses Romands (TPPSR). In: M. Avanzi and N. LoVecchio and A. Millour and A. Thibault (eds.): Nouveaux regards sur la variation dialectale. Strasbourg:Éditions de Linguistique et de Philologie. 1-21. https://doi.org/10.17613/x8yd-5y42
Geisler, Hans and Robert Forkel and Johann-Mattis List (2020): The Tableaux phonétiques des patois suisses romands Online. Version 1.0. Max Planck Institute for Evolutionary Anthropology. Leipzig: https://tppsr.clld.org.
Hammarström, Harald and Haspelmath, Martin and Forkel, Robert and Bank, Sebastiaon (2021): Glottolog. Version 4.4. Leipzig:Max Planck Institute for Evolutionary Anthropology.
List, Johann-Mattis (2014): Sequence comparison in historical linguistics. Düsseldorf: Düsseldorf University Press.
List, Johann-Mattis and Anderson, Cormac and Tresoldi, Tiago and Forkel, Robert (2021): Cross-Linguistic Transcription Systems. Version 2.1.0. Jena:Max Planck Institute for the Science of Human History. https://clts.clld.org
List, Johann-Mattis and Christoph Rzymski and Simon Greenhill and Nathanael Schweikhard and Kristina Pianykh and Annika Tjuka and Carolin Hundt and Robert Forkel (2021): Concepticon. A resource for the linking of concept lists. Version 2.5.0. Jena:Max Planck Institute for the Science of Human History. https://concepticon.clld.org
List, Johann-Mattis and Forkel, Robert and Greenhill, Simon J. and Rzymski, Christoph and Englisch, Johannes and Gray, Russell D. (2022): Lexibank: A public repository of standardized wordlists with computed phonological and lexical features Scientific Data. 9. 364. 1-16. https://doi.org/10.1038/s41597-022-01432-0
OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren:
Johann-Mattis List (4. Oktober 2021). Über die Berechenbarkeit und das Erheben von Daten. Von Wörtern und Bäumen. Abgerufen am 14. Dezember 2024 von https://doi.org/10.58079/vbr2
Lieber Herr List,
diesem spannenden Artikel wollten wir eine noch größere Reichweite verschaffen und haben ihn deshalb in den Slider auf unserer Startseite de.hypotheses.org aufgenommen.
Viele Grüße
Ulrike Stockhausen (Community Management)