Sprachliche Uneinheitlichkeit - Spannungsfeld zwischen Quellensprache und maschineller Lesbarkeit

Die Abweichung von der Norm am Beispiel der Ortsnamen 

Für eine maschinelle Auswertung sind diese Abweichungen von dem eigentlich normierten und strukturierten Text Steine im Weg. Es ist relativ einfach, eine Grammatik zu entwickeln, die in dem Text nach dem Muster „Pfründenart – Ortsname – Diözesenname“ sucht und die gefundenen Informationen aufschlüsselt. Dieses Muster ist sogar doppelt wertvoll, da es nicht nur hilft, die Quelle maschinell zu lesen, sondern auch die Identifizierung der Strings, aus denen die Namen der Orte bestehen, unterstützt.

Die Menge an Pfründenarten, ebenso wie die Menge an Diözesennamen ist finit, sodass sie sehr sicher erkannt werden und die Zeichenkette, die zwischen ihnen steht, muss ein Ortsname sein. Wird dieses Schema aufgebrochen, muss dies einem Programm mühsam für jeden einzelnen möglichen Fall erklärt werden, indem in der Grammatik verschiedene optional vorkommende Informationen aufnehmen. Was ein Mensch in Sekunden erfasst: „Aha, hier bekommen wir zu den üblichen drei Informationen noch ein paar hinzu“ erfordert für Computer, Programmierer*innen und Historiker*innnen erheblichen Mehraufwand.

Trotzdem können diese Informationen nicht einfach ignoriert werden, denn diese Informationen sind nicht ohne Grund angegeben. Die Sprache der Quelle zu verändern, hieße eine Interpretation vorzunehmen, was bei einer digitalen Quelle die Aufgabe von Historiker*innen und nicht von Editor*innen sein sollte.

Das Abändern der Quellensprache

Handelt es sich nur um die Sprache der ursprünglichen RG-Bearbeiter*nnen, so sind Änderungen nicht nur unproblematisch, sondern oftmals auch sinnvoll. Beispielsweise taucht der Begriff „Annaten“ (eine Zahlung in Höhe eines halben Jahresertrages) zwar im gesamten RG auf, seine Häufigkeit nimmt jedoch zu. In RG I und RG III wird Annaten als „annat.“ abgekürzt, in RG II, IV und allen folgenden Bänden als „ann.“ Die ersten Bände entstanden parallel, sodass sich diese Unregelmäßigkeit durch eine mangelnde Abstimmung der Bearbeiter*innen einschlich. Für unsere Antlr-Grammatik stellt es kein Problem dar, beide Informationen nicht nur gleich zu behandeln, sondern irgendwann auch einmal gleich darzustellen.

Ähnlich verhält es sich auch mit der Abkürzung für „vacans per obitum“ („freigeworden durch den Tod [des Vorbesitzers]“). Hier wechselt im Laufe der Bände die Schreibweise. Denn durch einen Fehler bei der OCR-Erkennung des Textes werden in einigen Bänden die die Leerzeichen in der Abkürzung „vac. per ob.“ weggelassen. Im gedruckten Satz war so etwas unproblematisch, für die Maschinelle Lesbarkeit ist jedoch Einheitlichkeit von größter Bedeutung.

Man muss also unterscheiden zwischen den Uneinheitlichkeiten innerhalb des RG, die aus der möglichst wortgetreuen Wiedergabe der originalen Quelle resultieren, und solchen, die durch die Unachtsamkeit der Bearbeiter*innen in den Text eingearbeitet wurden. Während Letzteres an das Erste angeglichen werden kann, ist bei ersterem große Vorsicht angebracht, um nicht den Inhalt der Quelle zu verfälschen.

Das Problem als Chance - Die Regesten Grammatik als Ontologievorlage

Das Einarbeiten der Unregelmäßigkeiten der Quellensprachen sorgt für eine komplexe und sehr umfassende Grammatik, die in der Lage ist, auch sehr kleine Nuancen des mittelalterlichen Kirchenrechtes darzustellen. Wir dürfen eben nicht vereinfachen, sondern müssen der Vielschichtigkeit der Materie gerecht werden. Die so entstehende Grammatik kann deswegen als Grundlage für weitere Projekte verwendet werden. Als ein normiertes Vokabular können diese Zusammenhänge die Grundlage für eine ontologische Darstellung bilden und damit eine wertvolle Grundlage für die weitere (digitale) Erschließung der kurialen Quellen des Mittelalters (schaffen).