1. Ansatz
Neben dem ›klassischen‹ strukturalistischen Paradigma, das sich wesentlich an Theoremen der Linguistik orientiert (u. a. Lotman 1972; Titzmann 1977), gibt es in der Literaturwissenschaft bereits seit Jahrzehnten Ansätze zu einer Strukturanalyse, die sich auf die empirische Soziologie – insbesondere auf die Social Network Analysis – bezieht und Struktur entsprechend nicht über basale semantische Relationen (etwa als Opposition oder Äquivalenz) definiert, sondern über soziale Interaktionen (Marcus 1973; Stiller et al. 2003; de Nooy 2006; Stiller / Hudson 2005; Elson et al. 2010; Agarwal et al. 2012). Im Kontext der Digital Humanities haben diese Ansätze zu einer literaturwissenschaftlichen Netzwerkanalyse (Trilcke 2013) in den letzten Jahren eine neue Dynamik gewonnen (Moretti 2011; Rydberg-Cox 2011; Park et al. 2013). Aus literaturwissenschaftlicher Sicht versprechen diese Analyseverfahren dabei auf umfangreichen Korpora basierende, von quantitativen Daten gestützte Erkenntnisse über die Literaturgeschichte wie auch über die generischen Eigenarten literarischer Texte. Im Projekt dlina. Digital Literary Network Analysis haben wir einen Workflow zur Extraktion, Analyse und Visualisierung von Netzwerkdaten aus dramatischen Texten mit rudimentärer TEI-Auszeichnung entwickelt (Fischer et al. 2015). Der hier projektierte Vortrag wird Ergebnisse der netzwerkanalytischen Auswertung dieser Daten präsentieren und vor dem Hintergrund etablierter fachwissenschaftlicher Fragestellungen diskutieren.
2. Datenerhebung und -analyse
Unser derzeitiges Korpus umfasst 465 deutschsprachige Dramen (Zeitraum 1730 bis 1930), die aus dem Textgrid Repository extrahiert wurden. Die für die Netzwerkanalyse relevanten Strukturdaten dieser Dramen (Segmentierung, Figurenidentifikation) wurden in einem regelbasierten Prozess händisch ediert, um OCR- und TEI-Tagging-Fehler zu beheben sowie solchen ›Eigenarten‹ der literarischen Texte zu begegnen, die die Analyseergebnisse verfälschen würden (u. a. unterschiedliche Bezeichnungen identischer Figuren; Bezeichnung von Figurengruppen mit unbestimmten Numeralien wie ›beide‹ oder ›alle‹; etc.). Die edierten Strukturdaten liegen in einem eigens entwickelten Datenformat, dem dlina-Format, in Form von XML-Dateien vor. Die Visualisierung der Netzwerke und die Berechnung netzwerkanalytischer Werte erfolgt – mittels Python- und D3-Skripten – automatisiert auf Basis der in den dlina-Dateien gespeicherten Strukturdaten. Neben Graphen und basalen Werten, die die Netzwerke global beschreiben (Network Size, Density, Average Degree, Average Path Length), werden dabei auch Zentralitätswerte für sämtliche Figuren eines Dramas erhoben (u. a. Degree, Average Distance, Closeness Centrality, Betweenness Centrality). Die Implemtierung weiterer Berechnungsrountinen (u. a. Clustering Coefficient, logarithmierte Degree Distribution-Tabellen) ist für den Winter 2015/16 vorgesehen. Sämtliche Daten und Visualisierungen werden frei verfügbar im Netz publiziert (https://github.com/dlina und https://dlina.github.io/linas/).
3. Literaturwissenschaftliche Auswertung 1: Dramengeschichte
Die diachrone Erstreckung unseres Dramenkorpus über ca. 200 Jahre deutscher Literaturgeschichte macht es möglich, größere Entwicklungen im Bereich der strukturellen Komposition von dramatischen Texten zu beobachten (erste Überlegungen dazu haben wir in einem Blogpost skizziert: https://dlina.github.io/200-Years-of-Literary-Network-Data/). Neben Werten, die sich auf die Gesamtnetzwerke der einzelnen Dramen beziehen (u. a. Network Size, Density, Average Degree; s. exemplarisch zur Average Path Length, Abbildung 1), werden dabei auch figurenbezogene Werte, v.a. Zentralitätsmaße, einbezogen, die Aufschluss etwa über die Streuung des Personals eines Dramas bzw. dessen Zusammensetzung aus ›zentralen‹ und weniger ›zentralen‹ Figuren gibt. Auf Grundlage dieser Werte sollen im Vortrag einige globale Thesen der Literaturgeschichte diskutiert werden. So werden wir erstens diskutieren, inwieweit sich anhand der netzwerkanalytischen Werte eine Ausdifferenzierung der strukturellen Komposition von dramatischen Texten am Ende des 18. Jahrhunderts beobachten lässt: Eine solche Ausdifferenzierung wäre angesichts des Nebeinanders von ›geschlossenen‹, in der Tradition der Französischen Klassik stehenden Dramen und ›offenen‹ Dramen, die sich u. a. an der Drramatik Shakespeares orientieren, zu erwarten. Zweitens werden wir einige geläufige literaturwissenschaftliche Periodisierungshypothesen testen (u. a. aus dem Strukturalismus und der Sozialgeschichte); gefragt werden soll hier, inwieweit die Entwicklung der netzwerkanalytischen Werte mit den von der Forschung vorgeschlagenen Periodisierungen korreliert.
Abb. 1: Average Path Length (Mean; nach Dekaden)
4. Literaturwissenschaftliche Auswertung 2: Dramentypen
Die von uns bisher erhobenen Werte zeigen, dass Dramen in dem untersuchten Zeitraum auf sehr unterschiedliche Weise strukturiert wurden. In der ›traditionellen‹ Literaturwissenschaft wurden für solche unterschiedlichen ›Bauformen‹ diverse Typologien entwickelt, in der Germanistik am bekanntesten ist Volker Klotz’ Unterscheidung in eine ›offene‹ und eine ›geschlossen‹ Dramenform (Klotz 1960). Diesen typologischen Impuls wollen wir aufgreifen und einen Vorschlag unterbreiten, wie sich mittels netzwerkanalytischer Daten bestimmte Typen der strukturellen Komposition von Dramen unterscheiden (und dann wiederum historisch verorten) lassen. Unser Vorschlag greift dabei Überlegungen aus der Forschung zu sog. Small-world-Netzwerken auf. Diese Forschungen setzen bei der Beobachtung an, dass die Werte von empirisch erhobenen Netzwerken nicht selten signifikant von entsprechenden Random-Netzwerken (also z. B. nach dem Erdős-Rényi-Modell erstellten Graphen) abweichen. Abweichungen sind dabei insbesondere beim Clustering Coefficient, bei der Averge Path Length sowie bei der Degree Distribution zu beobachten (Albert / Barabási 2002). Für den hier projektierten Vortrag werden wir diese Werte – sowie die Werte für die entsprechenden Random-Netzwerke – für unser Gesamtkorpus erheben (sowie einen Workflow für die automatisierte Erhebung entwickeln) und diskutieren. Erste Testläufe deuten dabei darauf hin, dass sich auf diese Weise tatsächlich unterschiedliche Typen der strukturellen Komposition von Dramen beschreiben lassen könnten. So zeigen sich z. B. auffällige Unterschiede bei der Degree Distribution (s. exemplarisch die Tabellen für vier Dramen in Abbildung 2); und mit Blick auf den Clustering Coefficient zeigt sich, dass im Vergleich zu Random-Netzwerken signifikant höhere Werte, wie sie bei Small-world-Netzwerken zu erwarten sind, zwar in mehreren Fällen vorkommen, jedoch keineswegs für alle Dramennetzwerke charakteristisch sind (siehe exemplarisch die Werte in Abbildung 3). Im Vortrag werden wir diese Werte für alle Dramen unseres Korpus präsentieren; wir werden diskutieren, inwieweit sich hier – aufbauend auf dem Small-world-Konzept – netzwerkanalytisch basierte Typen der strukturellen Komposition von Dramen unterscheiden lassen und wir werden literarhistorisch fundiert erörtern, welche Eigenschaften der Dramen für die unterschiedlichen Werte verantwortlich sind.
Abb. 2.1 bis 2.4: Node Degree Distribution für »Der sterbende Cato« (1731), »Emilia Galotti« (1772), »Götz von Berlichingen« (1773) und »Die Räuber« (1781)
Abb. 3: Vergleich des Clustering Coefficent des Dramen-Netzwerks mit dem eines jeweils entsprechenden Random-Netzwerks
