{"id":5537,"date":"2025-12-23T14:31:14","date_gmt":"2025-12-23T13:31:14","guid":{"rendered":"https:\/\/bildungsgeschichte.de\/index.php\/?p=5537"},"modified":"2025-12-23T15:13:24","modified_gmt":"2025-12-23T14:13:24","slug":"digitale-korpora-in-der-historischen-bildungsforschung-erzeugung-und-analytische-perspektiven-am-beispiel-von-fadelive-1782-1891","status":"publish","type":"post","link":"https:\/\/bildungsgeschichte.de\/index.php\/beitrag\/5537\/","title":{"rendered":"Digitale Korpora in der Historischen Bildungsforschung: Erzeugung und analytische Perspektiven am Beispiel von FaDe:Live (1782\u20131891)"},"content":{"rendered":"

Im Verlauf des 19. Jahrhunderts etabliert sich die Vermittlung von Literatur im deutschsprachigen Unterricht an h\u00f6heren Schulen. Seitdem geh\u00f6rt Literatur zum integralen Bestandteil des Fachs Deutsch<\/em> an weiterf\u00fchrenden Schulen und zu ihren kanonischen Unterrichtsgegenst\u00e4nden.<\/p>\n\n\n

Den Diskurs dieser Entwicklung untersucht das Projekt \u201e\u201aLesen hei\u00dft diese \u00dcbung\u2018 \u2013 und dann? Begriffe und intendierte Praktiken der Vermittlung deutschsprachiger Literatur an h\u00f6heren Schulen 1796\u20131890\u201c (<\/span>, doi:10.25625\/APN9VH<\/a>) mit einem Schwerpunkt auf Preu\u00dfen vor dem Hintergrund zweier Leitfragen: Inwiefern wird die Fachlichkeit der schulischen Literaturvermittlung durch das Verh\u00e4ltnis zwischen der Entwicklung von Ausdr\u00fccken zu Begriffen mit terminologischer Qualit\u00e4t, intendierten Unterrichtspraktiken und Vermittlungszielen formiert? In welchen Bez\u00fcgen steht diese Fachlichkeit zur \u00c4nderung des kollektiven Begriffsinventars von vormodernen zu modernen Semantiken innerhalb der sogenannten Sattelzeit <\/em>(1750\u20131850) <\/span>?<\/p>\n\n\n\n

Operationalisiert werden diese Fragestellungen anhand des scalable Reading <\/em>von Quellen, die im Vorfeld zu einem maschinenlesbaren Korpus aggregiert wurden: Fachlichkeit des Deutschunterrichts: Literaturvermittlung, FaDe:Live (1782\u20131891)<\/em>. Zum Zeitpunkt der Finalisierung des Korpus im April 2025 enth\u00e4lt es alle digitalisierten Monographien, Zeitschriftenartikel und staatlichen Lehrpl\u00e4ne zur Literaturvermittlung im Rahmen des Untersuchungsfokus. Es setzt sich aus klassischen ideengeschichtlichen Quellen der Bildungsgeschichte wie etwa Ausz\u00fcge aus Basedows Elementarwerk<\/em> (1785), aus der von Joachim H. Campe herausgegebenen Revision <\/em>(1787) und aus Friedrich D. E. Schleiermachers Erziehungslehre <\/em>(1813) sowie zu einem Gro\u00dfteil aus bisher nicht beachteten Quellen zusammen. In der aktuellen Version ist es ein ad\u00e4quates Modell des \u00f6ffentlich-schriftlichen Diskurses \u00fcber Literaturvermittlung an h\u00f6heren Schulen im 19. Jahrhundert. Damit bietet das Korpus eine Quellengrundlage f\u00fcr eine integrative und interdisziplin\u00e4re Geschichte der Fachlichkeitsforschung (vgl. <\/span>).<\/p>\n\n\n\n

Quellen und Autoren<\/h2>\n\n\n\n

Die Quellen stammen aus heterogenen Archiven. Neben der Verwendung der vielen digitalen Angebote im deutschsprachigen Raum zu bildungsgeschichtlichen Quellen \u2013 von denen sich die gr\u00f6\u00dften Sammlungen auf GEI-Digital<\/a> des Georg-Eckert-Institut in Braunschweig, auf ScriptaPaedagogica<\/a> der Bibliothek f\u00fcr Bildungsgeschichtliche Forschung in Berlin und in der Digitalen Bibliothek<\/a> des M\u00fcnchener DigitalisierungsZentrum befinden \u2013 mussten einige relevante Texte zun\u00e4chst in weiteren Bibliotheken wie der Staatsbibliothek zu Berlin identifiziert und gescannt werden. Neben Funden in kleineren digitalen Archiven z\u00e4hlen ebenso Digitalisate aus den Sammlungen von Google und dem Internet Archive zum Korpus. Sowohl f\u00fcr die Zusammenstellung digitaler als auch analoger Quellen aus Zeitschriften wurde eine Liste erstellt, die mit 119 Zeitschriften mindestens einen Gro\u00dfteil aller im 19. Jahrhundert erschienenen p\u00e4dagogischen Zeitschriften zu h\u00f6heren Schulen in Deutschland umfasst. In den entsprechenden digitalen Repositorien und analogen Exemplaren der Zeitschriften wurden deren Inhaltsverzeichnisse und Artikeltitel durchgesehen, um relevante Aufs\u00e4tze und Rezensionen zu filtern. Aus den Digitalisaten wurden manuell die Texte extrahiert, die im Kontext der Fragestellung und des Untersuchungszeitraums relevant sind. Die analogen Quellen wurden fotomechanisch gescannt und in PDF-Dokumente konvertiert. Daf\u00fcr umfasste das Magazin der BBF eine hervorragende Sammlung gedruckter Quellen, in der w\u00e4hrend eines Forschungsaufenthalts im Winter von 2022 auf 2023 weitl\u00e4ufig recherchiert wurde.<\/p>\n\n\n\n

Aus den 1022 recherchierten Texten konnten letztlich 963 in guter Qualit\u00e4t OCR verarbeitet werden.<\/p>\n\n\n\n

Textklasse<\/th>Texte<\/th>Tokens<\/th><\/tr><\/thead>
Zeitschriftenartikel<\/td>893<\/td>3.239.051<\/td><\/tr>
Lexikonartikel<\/td>21<\/td>226.241<\/td><\/tr>
Monographie<\/td>32<\/td>1.778.254<\/td><\/tr>
Verordnung<\/td>15<\/td>48.910<\/td><\/tr>
Rede<\/td>2<\/td>4.693<\/td><\/tr>
Summe<\/em><\/td>963<\/em><\/td>5.297.149<\/em><\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

Tabelle 1: \u00dcbersicht \u00fcber die Quellen<\/em><\/p>\n\n\n\n

Viele Monographien zum deutschsprachigen Unterricht im 19. Jahrhundert sind bereits digitalisiert. Darunter befinden sich alle bisher in der Historiographie des Deutschunterrichts rezipierten Monographien. Ebenfalls wurden alle p\u00e4dagogischen Lexika, die im Kontext der Fragestellung relevant sein k\u00f6nnten, auf Artikel durchsucht. Dabei hat sich herausgestellt, dass nur die Encyklop\u00e4die des gesammten Erziehungs- und Unterrichtswesens<\/em> (1859ff.) viele wichtige Artikel enth\u00e4lt. Weitere Nachrecherchen ergaben zudem, dass diese bildungshistorisch bedeutsame und umfangreichste Enzyklop\u00e4die des 19. Jahrhunderts bisher nicht Gegenstand bildungshistorischer Forschung war <\/span>. Das Korpus umfasst dar\u00fcber hinaus die zwei f\u00fcr die zeitliche Eingrenzung wesentlichen Reden von Johann G. Herder (1796) und Friedrich Wilhelm II (1890) sowie nicht digital verf\u00fcgbare Aufs\u00e4tze aus analogen Anthologien. In den bisher angef\u00fchrten Textklassen wird gleichzeitig eine Limitation des Projektes deutlich: Schulprogramme und die Verordnungen anderer deutscher Staaten als Preu\u00dfen wurden nicht in das Korpus integriert. Das hat den pragmatischen Grund der zeitlichen sowie personellen Limitierung des nur von einem Forscher durchgef\u00fchrten Projektes im Rahmen der wissenschaftlichen Qualifikationsphase. Parallel zur Zusammenstellung des Korpus wurden die Texte mit Metadaten in einer CSV-Datei erfasst.<\/p>\n\n\n\n

So versammeln sich in dem Korpus die schon angef\u00fchrten Texte der prominenten Theoretiker und Praktiker genauso wie solche, die bisher paradigmatisch f\u00fcr die Entwicklung des Deutschunterrichts stehen, wie Otto Lyon, Ernst Laas, Rudolf Lehmann, Rudolf Hildebrandt, Robert H. Hiecke und K. E. Philipp Wackernagel. Aber auch weniger bekannte Autoren wie Heinrich Viehoff und Heinrich Deinhardt und schlie\u00dflich bisher kaum rezipierte aber produktive Schulm\u00e4nner wie Karl Gude finden sich unter den Verfassern. Der wirklich spannende Teil an dieser Partie ist einerseits die diskursive Verflechtung von P\u00e4dagogik und nationalsprachlicher Fachlichkeit sowie damit von \u00c4sthetik, Philosophie, Politik und Religion. Andererseits umfasst das Korpus ganz im Sinne der Literaturwissenschaftlerin Margaret Cohens mit den 421 namentlich genannten und 88 ungenannten Autoren einen wesentlichen Teil der \u201egreat unread\u201c der Literaturvermittlung an deutschen h\u00f6heren Schulen im 19. Jahrhundert <\/span>.<\/p>\n\n\n\n

Aufbereitung<\/h2>\n\n\n\n

Etliche der quellenkritisch erschlossenen Digitalisate weisen eine unzureichende OCR-Qualit\u00e4t auf, was das Natural-Language-Processing, die Visualisierungen sowie die aus den Daten abgeleiteten Ergebnisse verzerrt <\/span>. Um die Qualit\u00e4t der maschinenlesbaren Texte zu erh\u00f6hen und weil die meisten in Fraktur gesetzt sind, wurde OCR4all verwendet \u2013 das open source Tool, mit der besten OCR-Qualit\u00e4t f\u00fcr historische Texte von Christian Reul et al. <\/span>. In einem Vergleich mit dem kostenpflichtigen Abbyy-Finereader und Googles open-source Bibliothek tesseract<\/em> hat OCR4all die besten Ergebnisse erzielt. Auch das kostenpflichtige Programm Transkribus<\/em> kann die PDF-Dokumente, die OCR4all Schwierigkeiten bereiten, nicht in einer zufriedenstellenden Qualit\u00e4t scannen. Ein Nachteil von OCR4all ergab sich aus der Tatsache, dass zum Zeitpunkt der Erstellung des Korpus nur einzelne Texte OCR gescannt werden konnten, was sich als \u00e4u\u00dferst zeitintensiv gestaltete.<\/p>\n\n\n\n

\"Abbildung<\/figure>\n\n\n\n

Abb. 1: OCR und NLP am Beispiel von Robert Heinrich Hieckes: Das Princip der Restauration in der P\u00e4dagogik (1841) <\/span><\/em><\/p>\n\n\n\n

Nach dem OCR liegt jede Quelle als einzelne, mit einer ID versehenen Textdatei vor. Diese IDs sind essenziell f\u00fcr die Nachnutzung, die weitere Verarbeitung, das Mapping der Metadaten und die Transposition in XML bzw. TEI zur Archivierung. In einem ersten Verarbeitungsschritt von den maschinenlesbaren TXT-Dateien (raw) wurden Kopf- und Fu\u00dfzeilen, Titel, Inhaltsverzeichnisse etc., d.h. alle paratextuellen Elemente getilgt. Erst TXT (content) entspricht dem Textkorpus der Untersuchung. Diese so bearbeiteten Texte werden in die CSV-Datenbank integriert, um eine kombinierte Datei aus Metadaten und Text zu erzeugen. Zur Erleichterung der sp\u00e4teren Arbeit mit den Daten, wie etwa die Bildung von Subkorpora und die Erzeugung von Statistiken, wurde MongoDB als eine der niedrigschwelligeren Datenbanken genutzt. Zwar hat Mongo eine Benutzeroberfl\u00e4che, jedoch auch eine eigene Abfragesyntax, sodass f\u00fcr Projekte dieser Art, solange kein:e entsprechenden Spezialist:innen Teil des Teams sind, f\u00fcr eine erste Korpuserstellung eine CSV-Datenbank empfehlenswert ist. F\u00fcr alle bisher dargestellten Prozesse und auch f\u00fcr alle weiteren Verarbeitungen der Daten wurde die Programmiersprache Python<\/em> verwendet.<\/p>\n\n\n\n

N\u00fcchtern gesprochen erm\u00f6glicht Python<\/em> einen einfachen Zugriff auf CSV-Dateien sowie Datenbanken und eignet sich sehr gut zur Verarbeitung von Text in Form von Matrizen und Listen sowie mit kuratierten Programmbibliotheken f\u00fcr einfaches (nltk<\/em>, spaCy<\/em>) und komplexes Natural-Language-Processing (scikit-learn<\/em>, gensim<\/em>, mallet<\/em>). Mit der Emphase eines Philologen ausgedr\u00fcckt: Es ist ein einzigartiges Alchemielabor.<\/p>\n\n\n\n

Die erste Verarbeitungsstufe ist TXT (min): Trotz OCR entstehen Fehler und abweichende Schreibweisen, sodass alle Ausdr\u00fccke mit vier oder weniger Nonsens-Buchstabenfolgen getilgt und Ausdr\u00fccke normalisiert wurden. Dadurch konnte die OCR-Qualit\u00e4t von einer Fehlerquote von 8,9 Prozent auf 3,7 Prozent reduziert werden, was f\u00fcr eine Erzeugung von Word-Vektor-Modellen sehr gut bis ideal ist \u2013 siehe hierzu weiter unten.<\/p>\n\n\n\n

Mit einer Ersetzungsfunktion werden in der Verarbeitungsstufe TXT (min) au\u00dferdem Zeilenumbr\u00fcche, Abs\u00e4tze und Bindestriche getilgt, um getrennte W\u00f6rter an Zeilenenden als ganze W\u00f6rter zu rekonstruieren. Au\u00dferdem werden in dieser Vorverarbeitungsstufe alle Buchstaben in Minuskel gesetzt, da gro\u00dfgeschriebene Satzanf\u00e4nge unterschiedlichster Wortarten zu einer unscharfen Lemmatisierung f\u00fchren.<\/p>\n\n\n\n

Die Lemmatisierung mit dem HanoverTagger <\/span> reduziert W\u00f6rter auf ihre morphologischen Grundformen, was angesichts der unterschiedlichen sowie historischen Schreibweisen als herausfordernd und fehleranf\u00e4llig ist. Diese Vorverarbeitungsstufe wird hier als TXT (lem) bezeichnet. Dar\u00fcber hinaus werden alle Sonderzeichen getilgt, um Themen modellieren und Texte anhand von Clusteranalysen vergleichen zu k\u00f6nnen. Die Entfernung von Stoppw\u00f6rtern ist erst nach einer Lemmatisierung von TXT (min) zu TXT (lem) sinnvoll, weil dann auch alle Variationen von Deklinationen und Konjugationen ber\u00fccksichtigt werden. Stoppw\u00f6rter, die keine semantische Relevanz besitzen, werden entfernt \u2013 mit Ausnahme von W\u00f6rtern, die im Kern Negation oder Totalit\u00e4t semantisieren wie \u201enicht\u201c oder \u201eganz\u201c. Negationen sind f\u00fcr die Verf\u00e4cherung, Fachlichkeit und die damit einhergehende Wissensproduktion selbst konstitutiv, da sie zwischen fachlich Angemessenem und fachlich nicht Angemessenem unterscheiden, damit Einschluss, Ausschluss und Kontinuit\u00e4t erzeugen <\/span>. Ausdr\u00fccke, die hingegen auf Totalit\u00e4t abzielen, sind einerseits f\u00fcr den im 19. Jahrhundert entstehenden Nationalismus zur Konstruktion kulturell homogener Staaten und andererseits f\u00fcr die fachliche Ausdifferenzierung vor dem Hintergrund idealistischer Philosophie grundlegend. Die beiden Annahmen best\u00e4tigt das Korpus: \u201enicht\u201c, \u201edeutsch\u201c, ganz\u201c, \u201ewort\u201c, \u201eschueler\u201c sind die f\u00fcnf h\u00e4ufigsten Ausdr\u00fccke.<\/p>\n\n\n\n

Den gesamten Workflow zur Erstellung des Korpus und dessen Vorverarbeitung skizziert das folgende Flussdiagramm:<\/p>\n\n\n\n

\"Abbildung<\/figure>\n\n\n\n

<\/p>\n\n\n\n

Abb. 2: Ein Verfahren zur Erstellung digitaler Korpora; eigene Darstellung <\/span><\/em><\/p>\n\n\n\n

Perspektiven auf das skalierbare Lesen maschinenlesbarer Korpora<\/h2>\n\n\n\n

Die datafizierten Artefakte <\/span> erm\u00f6glichen eine Analyse des Korpus, f\u00fcr die Franco Moretti den Asudruck distant Reading <\/em><\/span> gepr\u00e4gt hat und der seitdem als ein heuristischer Terminus f\u00fcr quantitative Korpusanalysen in den Digital Humanities verwendet wird. Analog zum distant Reading und close Reading wird mit der Metapher scalable Reading <\/em>(skalierbares Lesen<\/em>) ein stufenweiser Wechsel zwischen unterschiedlich nahen und distanzierten analytischen Dimensionen heuristisch umschrieben (vgl. <\/span>). Die damit verbundenen Verfahren sind teilweise methodisch aufeinander angewiesen und erm\u00f6glichen in ihrer Kombinatorik differenzierte Einblicke in das Korpus, die im Folgenden anhand zweier Beispiele als Ausblick auf analytische Optionen grob skizziert werden.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Abb. 3: Wortwolke des extrahierten Termkandidatenvokabulars Begriffe 2.2 zur Veranschaulichung der Analyse des interdiskursiven Vokabulars von FaDe:Live, basierend auf tf-idf-Werten<\/em> (<\/span>, Begriffe_8_Termset_2.2_wordcloud_tfidf.png)<\/em><\/p>\n\n\n\n

Wortwolken geh\u00f6ren mittlerweile zu standardisierten und automatisierten Komprimierungen des lexikalischen Materials auf Webseiten. Hier veranschaulicht die Grafik das Ergebnis einer reduktiven Analyse des Vokabulars des Korpus mit Clusterverfahren und Word-Embeddings in Hinblick auf interdiskursive und konzeptionelle Ausdr\u00fccke. Weil sie in dieser Hinsicht f\u00fcr den Diskurs konstitutiv und terminologisch relevant sind, bilden sie ein Termkandidatenset, oder einfacher ausgedr\u00fcckt: ein Termset. In der Grafik entspricht die Gr\u00f6\u00dfe der Ausdr\u00fccke ihrer Relevanz anhand der term frequency-inverse document frequency-Werte (tf-idf<\/em> \u2013 ein Wert, der die absolute Frequenz eines Ausdrucks in einem Text in Hinblick auf das Vorkommen dieses Ausdrucks in allen anderen Texten des Korpus relativiert). Die Farben sind nur Indizes zur Unterscheidung der manuell interpretierten Kategorien der knapp 1000 relevantesten Ausdr\u00fccke und tragen keinen semantischen Wert: Alterit\u00e4t (blau, bspw. \u201efremd\u201c), Moral (gr\u00fcn, bspw. \u201esittlich\u201c), Anthropologie (grau, bspw. \u201eleben\u201c), Idealismus (orange, bspw. \u201egeist\u201c), \u00c4sthetik (t\u00fcrkis, bspw, \u201ebild\u201c), P\u00e4dagogik (braun, bspw. \u201eerziehung\u201c), Praktik (lila, bspw. \u201elernen\u201c), Nation (rot, bspw. \u201efranzoesisch\u201c). Aus dem interdiskursiven Vokabular der Literaturvermittlung k\u00f6nnten nun einzelne Ausdr\u00fccke oder spezifische Kombinationen von Ausdr\u00fccken weiter analysiert werden: etwa diachron anhand von Wortverlaufskurven \u00fcber das gesamte Korpus hinweg, synchron anhand der Verteilungssemantik in einem Wort-Vektor-Modell oder im close Reading anhand konkreter Texte sowie Textstellen.<\/p>\n\n\n\n

Der rosa Elefant schwebt \u00fcber der Wolke: Der national getaggte Ausdruck \u201edeutsch\u201c befindet sich in allen relevanten Vokabularen des Korpus an erster Stelle. Der Diskurs der Literaturvermittlung an h\u00f6heren Schulen ist in Preu\u00dfen im 19. Jahrhundert, was nicht weiter verwundert, im Kern nationalkulturell gepr\u00e4gt \u2013 das gilt f\u00fcr die Literaturvermittlung an weiterf\u00fchrenden Schulen in den DACH-Staaten bis heute. Die sich daran anschlie\u00dfende Frage zielt auf das fachliche Selbstverst\u00e4ndnis des Deutschunterrichts und der schulischen Literaturvermittlung ab: M\u00fcssten nicht innerhalb des Faches terminologische Kontinuit\u00e4ten reflektiert und diese angesichts eines deutlich ver\u00e4nderten gesellschaftlichen und politischen Systems, das nicht mehr nationalstaatlich ist, entsprechend gekappt werden?<\/p>\n\n\n\n

In der folgenden Grafik verschmelzen die Analyse der Texte, der algorithmisch (re-)konstruierten Topics und des interdiskursiven Vokabulars in einem Verlaufs- und Balkendiagramm.<\/p>\n\n\n\n

\"Abbildung<\/figure>\n\n\n\n

Abb. 4: Top-50 Texte der Top-10 Topics relativiert auf Termset Begriffe 2 verteilt auf Jahre als ein Ergebnis der Analyse des interdiskursiven Vokabulars von FaDe:Live (<\/span>: Begriffe_7_Termset_2_Topics_pro_Jahr_diff.png)<\/em><\/p>\n\n\n\n

Mit dem in die Pipeline von Bayerschmidt <\/span> ingegrierten Topic-Model-Algorithmus MALLET<\/em> wurden 30 Topics ermittelt. Abbildung 3 zeigt die 50 wichtigsten Texte der zehn wichtigsten dieser 30 Topics relativ zum Termkandidatenset im Zeitverlauf.<\/p>\n\n\n\n

Jeder Datenbalken repr\u00e4sentiert den Anteil der 50 Texte, die in einem der Jahre des Korpusintervalls ver\u00f6ffentlicht wurden und einem auf das Termset relativierte Topic am ehesten entsprechen. So sind etwa im Jahr 1782 auf sechs verschiedene Topics jeweils ein Text verteilt. Im Jahr 1891 sind auf f\u00fcnf verschiedene Topics neun Texte verteilt, darunter die meisten auf das Topic 2 Unterstufe<\/em>. Die gestrichelte Linie modelliert die Entwicklung der interdiskursiven Terminologie des Fachdiskurses anhand des gleitenden Mittelwerts der summierten Anzahl der Top-Texte pro Topic und Jahr. Damit ist das Diagramm eine m\u00f6gliche Visualisierung der Entwicklung der interdiskursiv gepr\u00e4gten Terminologie des literaturvermittelnden Diskurses. Daraus lassen sich etwa ableiten:<\/p>\n\n\n\n