Text Mining auf annotierten Texten Prof. Dr. Brigitte Mathiak

Text Mining auf annotierten Texten

Prof. Dr. Brigitte Mathiak

Was ist Text Mining?• Die Kunst aus Text etwas maschinenverwertbares zu machen

• Methodisch an der Schnittstelle zwischen Natural Language Processing und Data Mining

• Grundkenntnisse in Computerlinguistik, aber auch in KI sind hilfreich

Was kann man mit Text Mining machen?• Klassische sind Textklassifikation (z.B. Spam) und Themenanalyse (z.B.

für Verzeichnisse)• Man kann allerdings auch andere Daten miteinbeziehen (z.B. Zeit) und

dann Trendanalysen machen• Oft sucht man nicht nach Klassen, sondern versucht besonders

ähnliche oder besonders unähnliche Dokumente zu finden• Mit Hilfe von Extrawissen, z.B. Wortdatenbanken, kann man auch

spezielle Einschätzungen machen, z.B. ob jemand ein Thema positiv oder negativ sieht

Annotated Text• An annotation is metadata (e.g. a comment, explanation,

presentational markup) attached to text, image, or other data. Often, annotations refer to a specific part of the original data. (Wikipedia)• Der wohl häufigste annotierte Text sind Webseiten, bei denen

Informationen zu Layout, etc. in HTML codiert sind. • Hier sind wir an inhaltlichen Annotationen interessiert, wenn also ein

Mensch ein oder mehrere Worte mit einem Kommentar versehen haben

QDA-Software und annotierte Textkorpora Hauptseminar

Text Mining auf annotierten Texten

Universität zu Köln

Cologne Center for eHumanities (CCeH)University of Cologne

Qualitative Datenanalyse• wird in vielen sozial- und geisteswissenschaftlichen Disziplinen angewendet • ermöglicht vertiefte Einblicke in beobachtete Phänomene mittels z.B.

• offener oder (semi-)strukturierter oder problemzentrierter Interviews, Experteninterviews und Gruppendiskussionen

• qualitativer Inhalts- und Diskursanalyse (z.B. Medien etc.)

• KEINE generalisierende Schlüsse aufgrund meist geringer Fallzahlen und Sampling Bias

Universität zu Köln

Cologne Center for eHumanities (CCeH)University of Cologne

QDA-Software• ist zunächst lediglich eine Datenbank in Kombination mit spezifischen Funktionen

für Annotation (drag&drop), Editierung und Visualisierung• gibt keine bestimmte Methode der Analyse vor, beeinflusst aber deren Optionen

sowie den Arbeitsstil• Funktionalität ist insbesondere im Hinblick auf Export durchaus heterogen (XML

bei Max QDA und Atlas.ti, HTML nur pro Code/ „node“ bei NVivo)

Universität zu Köln

Cologne Center for eHumanities (CCeH)University of Cologne

Universität zu KölnCologne Center for eHumanities (CCeH)University of Cologne

Atlas.ti

Universität zu KölnCologne Center for eHumanities (CCeH)University of Cologne

NVivo

MaxQDA #1 Qual. Interview

Universität zu Köln

MaxQDA #2: Inhaltsanalyse

Universität zu Köln

MaxQDA #3 Diskursanalyse

Universität zu Köln

MaxQDA #4 eTRACES (GESIS)

Universität zu Köln

Vorhandene DatensätzeMaxQDA:

- Forschungsdaten mit Codesystem im zeitl. Verlauf (5)- Beispieldaten (3)

Nvivo:- Forschungsdaten (3) - Beispieldaten (?)

Atlas.ti:- Beispieldaten (5)

Universität zu Köln

Cologne Center for eHumanities (CCeH)University of Cologne

Mögliche Forschungsbereiche1.Prediction Codes2.Prediction Codenamen/ -konzepte3.Modellierung in TEI4.Evolution von Codesystemen (-kategorien)5.Linguistische Analysen von Codes6.Code-Kontext7.Individualität (Prediction Coder)8.Unterschiedliche Akzente MaxQDA, atlas.ti, NVivo

Universität zu Köln

Cologne Center for eHumanities (CCeH)University of Cologne

Der Aufbau• Zweier- oder Dreiergruppen mit gemischten Erfahrungen• Thema soll praktisch bearbeitet werden• Es wird evtl. keine „gute“ Lösung geben, daher ist es wichtig den Weg

zu dokumentieren• Eine der angewendeten Lösungsmethoden soll theoretisch

aufgearbeitet werden • Im Vortrag und im Seminar wird dann beides vorgestellt

Vortrag und Hausarbeit• Vortrag: 20 min + 10 min Diskussion

• Einen Entwurf der Folien brauche ich spätestens eine Woche vor dem Vortragstermin• 2 bis 3 Vortragstermine am Ende des Semesters bei denen dann alle geblockt

vortragen

• Ausarbeitung: • Ca. 20 Seiten• Ein Teil in dem die Zusammenarbeit und Arbeitsaufteilung im Team beschrieben wird

(z.B. Evelyn hat programmiert, ich habe die Recherchen gemacht und den Text geschrieben, Friedrich hat 500 Dokumente gelabelt)

• Mindestens 3 echte wissenschaftliche Papiere referenzieren• Abgabe am Ende des Semesters; Maximale Verlängerung mit Ausrede bis zum 1.4.16

Bewertung1. Eigenständiges Arbeiten und Recherchieren2. Witzige Ideen3. Gute Kommunikation4. Fleiß5. Schönes Layout6. Gute Ergebnisse

Themen1.Prediction Codes2.Prediction Codenamen/ -konzepte3.Modellierung in TEI4.Evolution von Codesystemen (-kategorien)5.Linguistische Analysen von Codes6.Code-Kontext7.Individualität (Prediction Coder)8.Unterschiedliche Akzente MaxQDA, atlas.ti, NVivo