Schlagwort-Archive: Daten

Von Einblicken in Sterneküchen

Schreibe eine Antwort

In meiner frühen Kindheit war ich lange Zeit unheimlich fasziniert von Zauberkünstlern. Ich weiß nicht mehr genau, in welchen Zusammenhängen ich sie sah — sie besuchten uns im Kindergarten, ich sah sie im Theater, oder in der Fußgängerzone — aber ich habe viele Bilder nicht vergessen. Da war der Zauberer, der Eier, Mehl, und Salz in einen Hut warf und am Ende Plätzchen für alle Kinder produzierte, die so lecker schmeckten, dass ich mich noch immer an ihren Geschmack erinnern kann. Da war der Straßenkünstler, der brennende Kohlen mit bloßen Händen jonglierte. Da war der Bauchredner im Fernsehen, der reden konnte, ohne den Mund zu benutzen.

Später erst merkte ich, dass es sich bei den Plätzchen, deren Geschmack ich so lange in Erinnerung behalten hatte, um die billigsten “Zitronenplätzchen” im Supermarkt handelte. Es kostete mich einige Zeit — und einige Brandblasen an den Fingern –, um einzusehen, dass kein Mensch Feuerbälle mit bloßen Händen jongliert. Als das Buch Bauchreden — spielend lernen 1995 endlich erschien (Bockamp und Urbanski 1997), lernte ich auch schnell, dass man beim Bauchreden die Sprechorgane sehr wohl benutzt, aber eben bestimmte Laute, bei denen man die Lippen bewegen muss, vermeidet, oder kompensiert, indem man sie durch andere Laute ersetzt, die so ähnlich klingen.

Es muss nicht immer schlimm oder traumatisch sein, zu wissen, was hinter den Kulissen passiert. An meiner Faszination für das Zaubern oder jonglieren, haben die späten Erkenntnisse kaum etwas geändert, und durch meine kläglichen Versuche, Bauchreden zu lernen, machte ich ersten Kontakt zur Phonetik und zur Artikulation der Sprachlaute, ohne damals zu wissen, dass ich diese mit so viel Leidenschaft später studieren würde.

Es kann aber natürlich durchaus ernüchternd sein, wenn man Einblicke in das, was hinter der Bühne vor sich geht, bekommt. So hatte ich sehr gemischte Gefühle, als ich zum ersten Mal Tiramisu selbst machte. Es war irgendwie viel zu simpel, Löffelbuiscuits in Kaffee zu tauchen und mit einer Mascarpone-Zuckermischung zu bedecken. Ich hatte mir das immer viel raffinierter und aufwendiger vorgestellt. Auch wenn sich meine Freude am Tiramisu-Essen nicht geändert hat, so habe ich seitdem doch ein bisschen an Respekt vor der Rafinesse derer verloren, die ein Tiramisu zu einer Party mitbringen und sich dafür von allen bewundern lassen.

Während die Einfachheit des Tiramisurezepts nichts an dessen Beliebtheit ändern wird, kann es einem in anderen Fällen arg auf den Magen schlagen, wenn man erfährt, wie das vermeintlich leckere Essen in einem Restaurant wirklich zubereitet wurde. Dabei muss es nicht ein mal immer um nachgewiesene hygienische Mängel gehen. Während meiner Zeit in Paris hatte ich zum Beispiel immer ein mulmiges Gefühl, wenn in teuren und scheinbar hochfeinen Restaurants mit Kellnern, die hochwichtige Mienen aufgesetzt hatten, die Toiletten am Ende in extrem schlechtem Zustand waren. Ich dachte immer, wie es wohl in der Küche aussieht, und warum man nicht gleich versucht, dem entgegenzuwirken, indem man auch auf dem stillen Örtchen die Reinheit sprechen lässt.

Auch in der Wissenschaft kann es vorkommen, dass einem der Einblick in die Sterneküche auf den Magen schlägt. Ich erlebe das immer dann, wenn ich Daten und Programmiercode von Artikeln sehe, die sehr glanzvoll veröffentlicht wurden, mit vielen wunderschönen Abbildungen und sehr klaren Botschaften und Ergebnissen. Schnell kann sich hier der Pariser-Restaurant-Effekt einstellen, wenn man sieht, wie Forscherinnen und Forscher hinter den Kulissen arbeiten. Da werden Daten unzureichend beschrieben und lieblos und inkonsistent aufbereitet, da wird Programmiercode nicht nur nicht kommentiert, sondern zuweilen so geschrieben, dass selbst die Urheber nach ein paar Monaten nicht mehr wissen werden, was sie da eigentlich fabriziert haben, und in einigen Fällen stellt sich dann sogar heraus, dass der Code in der Form, in der er geteilt wurde, eigentlich gar nicht funktioniert.

Während es bei den Küchen eine Gesundheitsbehörde gibt, die darauf achtet, das Mindeststandards in Sternen- und Suppenküchen eingehalten werden, gibt es in der Wissenschaft nur das Peer-Review-Verfahren. Obwohl wir als Gutachtereigentlich nicht nur das Recht haben, Einblicke in Daten und Code zu bekommen (Nature 2018), sondern auch die Pflicht, diese Gewissenhaft zu überprüfen, geschieht das leider in den seltensten Fällen. Ausgehend von dem, was ich als Gutachter zu sehen bekomme und was in den Zeitschriften in meinem Fachbereich publiziert wird, muss ich leider feststellen, dass wir noch sehr weit entfernt sind von Mindeststandards in Bezug auf die Reinheit von Daten und Programmiercode.

Das ist bedauerlich, denn transparente, gut aufbereitete Daten machen es nicht nur leichter, Experimente zu überprüfen, sie haben auch einen starken pädagogischen Effekt, da sie es Menschen, die noch nicht so gut programmieren können, ermöglichen, von veröffentlichter Forschung direkt zu lernen. Zuweilen habe ich sogar den Eindruck, dass gerade das durch halbgaren Code verhindert werden soll. Denn wer sieht, was in der Küche geschieht, kann ja schnell seine eigenen Sternerezepte zu Hause nachkochen und muss nicht mehr zum Meister gehen.

Literatur

Bockamp, Elke and Urbanski, Rudolf (1995): Bauchreden — spielend lernen. Moers:Aragon.

Nature, Editorial Board (2018): Referees ́rights. Nature 560. 409.

Über die Berechenbarkeit und das Erheben von Daten

1 Antwort

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

Wissensmanagement

Schreibe eine Antwort

Als ich anfing zu studieren, war ich unglaublich beeindruckt von den großen Wissenschaftspersönlichkeiten, deren Kurse ich besuchte. Da war der Dozent in der Geschichtswissenschaft, der alle Jahreszahlen in der Geschichte Deutschlands vom Mittelalter bis ins 19. Jahrhundert auswendig kannte, und zusätzlich alle Texte, die relevant zu sein schienen, nahezu auswendig zitieren konnte. Da war der Germanistikprofessor, der alles auf die griechische Tragödie und die griechische Tragödie auf alles zurückführen konnte. Da war die Linguistikdozentin, die alle für slavische Linguistik relevante Literatur in jedweder slavischen Sprache gelesen zu haben schien.

Ich war beeindruckt von dem, was mir die Universität bot, vor allem auch deshalb, weil die Menschen, die an der Uni lehrten, alle ihr Wissen transparent auszubreiten schienen: «Ich habe diese Bücher alle gelesen, darauf gründet meine Analyse». Beim Versuch, es den Lehrerinnen und Lehrern gleichzutun, merkte ich schnell, wie wahrscheinlich jeder, der Geisteswissenschaften studiert, dass es für die wenigsten Menschen reicht, einfach nur ein Buch von vorne bis hinten zu lesen. Viel wichtiger ist es, sich Notizen zu machen, beispielsweise in Form von Exzerpten, die man nachher, wenn man dann seine Hausarbeit schreibt, schnell zitieren kann.

In den Anfängen meines Studiums wurde vieles noch analog durchgeführt. Erst später kamen Systeme zum Wissensmanagment wie Citavi oder Mendeley auf, die man benutzen kann, um das, was man liest und exzerpiert, digital zu sammeln. Die Vorteile von solchen Systemen sind natürlich klar: wenn man seine Daten einmal drin hat, in den Systemen, kann man sie auf sehr vielfältige Weise wieder abrufen. Während man beim Zettelkasten immer sehr lange wird suchen müssen, genügt ein Stichwort, um alle Exzerpte zu finden, in denen dieses Wort auftaucht. Das Problem ist natürlich die Mehrarbeit, die das Digitalisieren von Textstellen bereitet. Keiner tippt gerne ganze Buchseiten ab, aber es gibt eben nach wie vor Bücher, bei denen auch die modernste Schrifterkennungssoftware keine Ergebnisse liefert.

Da mich an Systemen wie Citavi oder Mendeley immer schon die mangelnde Flexibilität gestört hat, wie auch die Tatsache, dass es sich um proprietäre Systeme handelt, die von profitorientierten Firmen betrieben werden, die entweder jederzeit pleite gehen können, oder sich eventuell von heute auf morgen entscheiden, plötzlich horrende Summen zu verlangen, habe ich vor ca. acht Jahren schon angefangen, mein eigenes System zum digitalen Wissensmanagment aufzubauen. Diese besteht zuächst aus einer Bibliographie, die ich in BibTex kuratiere, weil dieses eines der flexibelsten Systeme für Literaturdatenbanken darstellt.

Daneben habe ich mir ein sehr einfaches Tool geschrieben, mit dessen Hilfe ich Zitate aus der Literatur mitsamt der Seite, Schlagwörtern, und eventuellen Kommentaren sammeln und abrufen kann. Diesem Tool liegt eine Datenbank in Form von Sqlite3 zugrunde, die wiederum durch eine einfache Oberfläche, die hauptsächlich in Python geschrieben wurde, bearbeitet und abgerufen werden kann. Beide Tools habe ich jetzt vereint und stelle sie online allen Interessierten zur Verfügung.

Das Ganze heißt EvoBib: A Bibliographic Database and Quote Collection und bietet derzeit, in der gestern veröffentlichten Version 1.0.0, 3470 verschiedene Referenzen, vorwiegend aus der linguistischen Literatur, die sich grob an meinen fachlichen Schwerpunkten (historische Sprachwissenschaft, linguistische Typologie, Computerlinguistik) orientieren. Zusätzlich bietet EvoBib noch 5076 direkte Zitate, die von insgesamt 2673 Referenzen entnommen wurden.

Diese habe ich mehr oder weniger regelmäßig eigenhändig gesammelt. Meist tue ich das nun, wenn ich eine Reihe neuer Artikel oder Bücher entdecke. Ich nehme mir einen Morgen ein oder zwei Stunden frei, ordne meine digitalen Kopien der Literatur, lese mir den Abstract durch, den ich meist sofort in das System übertrage (was ja meist durch einfaches Copy-Paste funktioniert und mir keine große Tipparbeit abverlangt). Zuweilen übersetze ich Textstellen, wenn ich denke, dass ich sie in Artikeln, die ich schreibe, verwenden kann, und manchmal tippe ich tatsächlich auch längere Passagen direkt aus Büchern ab, wenn es keine andere Möglichkeit gibt.

Nicht alle Referenzen decken sich direkt mit den Zitaten, weil ich manchmal Zitate sammele, bevor ich Zeit finde, die Referenz meiner Datenbank hinzuzufügen, was ich meist erst dann mache, wenn ich einen Artikel oder ein Buch auch tatsächlich zitieren will. Wenn ich selbst neue Daten einpflegen will, rufe ich eine spezielle, geschützte Adresse auf, von der ich dann neue Zitate eintragen kann. Zuweilen übersetze ich Zitate auch, vor allem, wenn ich die Übersetzungen später in meiner Arbeit verwenden will.

Ein Beispiel für die grundlegende Organisation der Zitatdatenbank stammt von Sperber (1923: 1, das durch diesen Link aufgerufen werden kann. Hier weist meine Sammlung zuerst ein konkretes Zitat auf, nämlich:

Die Aufgabe, die Bedeutung eines Wortes festzustellen, mag für den Logiker besagen: seinen begrifflichen Inhalt möglichst genau erfassen und abgrenzen, eine Definition liefern, die nach altbewährtem Rezept die übergeordnete Art und die unterscheidenden Merkmale angibt. Für den Sprachforscher bedeutet sie etwas anderes und in der Regel weit Schwierigeres, denn er ist schon hier, wie in allen weiteren Stadien seiner Arbeit, genötigt, neben den klar erfaßbaren logischen auch psychologische Faktoren von oft schwer greif- und wägbarer Natur in Betracht zu ziehen.

Dann gibt es noch eine (rudimentäre) englische Übersetzung, die ich für ein Seminar in der Vergangenheit erstellt habe:

The task of determining the meaning of a word may mean for a logician to define its conceptual content with high precision, providing, as usually, its superordinated concepts and its defining characteristics. For a linguist, this task means something different, and usually much more difficult, since the linguist is, as in all further stages of his work, forced to include — next to the clearly logical factors — also those factors which are psychological and often difficult to grasp.

Am Ende des Zitats steht immer die Seitenzahl und ein Link, den man verwenden kann, um beispielsweise auf dieses Zitat zu verlinken. Schließlich gibt es noch drei Schlagwörter, nämlich meaning (nicht sehr aussagekräftig), literal meaning, und connotation. Intern sammle ich noch direkte Kommentare zu den Textstellen, die ich aber nicht öffentlich zugänglich mache, weil es durchaus sein kann, dass meine Kommentare kritisch sind. Sie helfen mir aber, wenn ich Artikel schreibe, die relevanten Textstellen zu finden.

In diesem Blog verlinke ich ja schon immer direkt auf die Bibliographiedatenbank, wenn immer ich einen Artikel zitiere. Jetzt, wo das neue System fertiggestellt ist, kann ich in Zukunft vielleicht sogar direkt auf Zitate verlinken, auf die ich hinweise, was den Vorteil hat, dass — falls sich tatsächlich jemand für diese interessieren sollte — diese direkt nachgeprüft und dadurch auch in ihren Zusammenhang gesetzt werden können.

Mein Traum wäre es, wenn nicht nur ich, sondern viele Kolleginnen und Kollegen an solch einer Datenbank arbeiten könnten, um sie immer weiter zu vergrößern und das Wissen, dass in den Texten steckt, frei zugänglich zu machen. Das Problem, das sich diesbezüglich jedoch gezeigt hat, ist, dass man in der Wissenschaft, trotz der derzeit üblichen starken Betonung von Transparenz und Open Access gerade in der Organisation von Wissen in Bezug auf Zitate oder Referenzen nach wie vor dazu tendiert, diese gerade nicht teilen zu wollen.

Schließlich habe wir ja selbst Jahre verbracht, um unsere Schätze von Zitaten anzuhäufen. Manch eine oder manch einer von den Kollegen führt sie ja ohnehin nur im Kopf mit sich herum. Wenn jetzt jemand ankommt und in meiner Zitatdatenbank ein sehr originelles Zitat findet, das vielleicht häufig übersehen wird, und es verwendet, ohne selbst gesucht zu haben, dann fühlt sich das irgendwie nicht richtig an.

Was wir natürlich schnell vergessen, ist dass unser gesamtes Wissen ja gerade darauf aufbaut, dass uns durch andere Menschen zur Verfügung gestellt wurde. Vor allem in Zeiten, in denen Digitales das Analoge immer mehr verdrängt, und in denen es kaum mehr eine Wissenschaftlerin oder einen Wissenschaftler gibt, die nicht auf offene Quellen des organisierten Wissens, wie beispielsweise Wikipedia zurückgreifen, wird es langsam schwierig, auf darauf zu beharren, ein Monopol auf das, was jemand persönlich gelesen hat, zu besitzen.

Ich habe mich daher am Ende, vor allem auch nach Absprache mit Kollegen, entschieden, das, was ich lese, direkt mit den Referenzen online zu stellen. Zum einen hilft es mir, beim Verfassen meiner Blogs die Quellen transparenter einzubinden, zum anderen ist es auch hilfreich in der Zusammenarbeit, wenn über bestimmte Textstellen sinniert oder diskutiert wird, wo man dann schnell bei einem bestimmten Zitat nachschauen und sich darüber austauschen kann. Denn eines müssen diejenigen, die Zitate in meiner Exzerptesammlung finden, ja nach wie vor tun: sie lesen und sie interpretieren. Nach wie vor gibt es also genug Möglichkeiten, einen persönlichen Zugang zur Fachliteratur zu bewahren.

Literatur

  • Sperber, Hans (1923): Einführung in die Bedeutungslehre. Bonn and Leipzig:Kurt Schroeder.