Vorgehen AP2 Fall C

[Allgemein: Die Untersuchungen stützen sich auf die folgenden Standards: ISO 25964, CDWA/CCO, LRM, LIDO.]

Das DHM-Vokabular wurde zunächst als PDF-Datei geliefert. Die Datei enthält alle für die Objekterschließung genutzten Begriffe mit ihren bevorzugten und alternativen Bezeichnungen sowie ihren Oberbegriffen. Diese Daten wurden in eine SKOS-basierte Form gewandelt, mit temporären Identifikatoren und rekonstruierten Oberbegriffsbeziehungen versehen und in eine RDF-Datenbank (Triplestore) überführt. Auf dieser technischen Plattform folgten mehrere Durchgänge automatischer Zeichenkettenvergleiche mit Sachbegriffs-Benennungen der hier ebenfalls installierten Linked-Data-Fassung der GND.

Zu den einzelnen Matching-Durchgängen siehe auch → Matching-Verfahren für DHM.

Die Daten des DDK und der saarländischen Museen wurden als "flache" Vokabularlisten verarbeitet und denselben Matching-Verfahren unterzogen wie das DHM-Vokabular. Neben dem exakten Zeichenketten-Vergleich kamen hierbei verschiedene unscharfe Verfahren zur Anwendung, darunter eine experimentelle Suche nach Grundworten in Komposita und die häufig genutzte Distanzmetrik nach Damerau und Levenshtein.

Die weiteren Arbeitsschritte sind noch nicht abgeschlossen: Positive Matching-Ergebnisse werden intellektuell auf Plausibilität geprüft und die Ursachen für Mismatches untersucht. Für die negativen Ergebnisse wird intellektuell nach möglicherweise doch vorhandenen Äquivalenten in der GND gesucht und es wird dokumentiert, warum sie nicht im automatischen Matching-Prozess gefunden wurden. Diese Untersuchungen dienen der sukzessiven Verfeinerung der Matching-Algorithmen.

Dabei zeigen sich Hindernisse für einen automatischen Zeichenkettenabgleich auf beiden Seiten der Vokabulare: Fehlende Synonyme und Homonyme sind dabei die häufigsten Ursachen für ein Versagen des automatischen Abgleichs in Fällen, in denen tatsächlich ein bedeutungsgleicher Begriff im Vokabular des Museums und in der GND existiert.

Wir haben sechs Typen von Matching-Ergebnissen identifiziert:

1. eindeutiger und korrekter Match (sowohl die Benennung wie auch die Bedeutung stimmen auf beiden Seiten überein),
2. zu viele Treffer im Zielvokabular (tritt auf, wenn beispielsweise Homonymzusätze fehlen oder nicht ausgewertet werden können),
3. falsch positiver Match (der gefundene Begriff hat eine andere Bedeutung als der gesuchte Begriff),
4. falsch ergebnisloser Match (der gesuchte Begriff ist im Zielvokabular vorhanden, wurde aber nicht gefunden),
5. ergebnisloser Match (tatsächlich ist kein Äquivalent in der GND vorhanden; der Match ist ein Kandidat für eine Neuaufnahme in die GND),
6. ähnliche Schreibweisen von Benennungen, die durch eine unscharfe Suche gefunden werden, können verschiedene Begriffe repräsentieren;
   es können durch eine unscharfe Suche aber auch exakte Übereinstimmungen entdeckt werden.

Stichproben von Matching-Ergebnissen werden manuell einem der sechs Typen zugeordnet. Die Gründe für falsche Matches, falsch ergebnislose Matches sowie unentscheidbare Fälle bei zu vielen Ergebnissen werden intellektuell untersucht. Warum werden identische Zeichenketten nicht gefunden? Warum werden äquivalente Begriffe nicht gefunden? Was sind die Gründe für falsch positive Matches? Die Ergebnisse dieser Untersuchungen werden auch zur Verbesserung der Matching-Algorithmen herangezogen.

In jenen Fällen, in denen ein Begriff des Museumsvokabulars mit Sicherheit kein Äquivalent in der GND hat, stellt sich die Frage, ob dieser relevant genug ist, um in die GND aufgenommen zu werden. Für die Einschätzung der Relevanz gehen wir von folgenden heuristischen Annahmen aus: Ein Begriff könnte relevant für die GND sein, wenn

1. es einen Oberbegriff zum Kandidaten in der GND gibt
2. es gleichgeordnete Begriffe (Geschwisterbegriffe) zum Kandidaten in der GND gibt
3. er als Oberbegriff für vorhandene Begriffe der GND in Frage kommt
4. Bezeichnung und Begriff in Vokabularen und/oder Wörterbüchern belegt sind
5. der Gebrauch in der Objekterschließung in Datenbanken und Portalen nachgewiesen ist.

Diese Annahmen haben wir der intellektuellen Untersuchung der Matching-Ergebnisse zu Grunde gelegt:

Wenn kein Äquivalent in der GND zu finden ist, wird für den Schlagwortkandidaten ein passender Oberbegriff aus der GND gesucht (später möglicherweise teil-automatisch über Grundworterkennung). Die Anzahl seiner Unterbegriffe wird ermittelt, weil sie mögliche Geschwisterbegriffe des Kandidaten sind. Das Vorhandensein solcher gleichgeordneter Begriffe würde für die Relevanz des Kandidaten als GND-Deskriptor sprechen. Nach Übereinstimmungen mit anderen Vokabularen und Lemmata in Wörterbüchern wird aus mehreren Gründen gesucht: In jedem Fall ist das Vorkommen der Bezeichnung ein Indiz für die terminologische Gebräuchlichkeit, darüber hinaus geben Wikidata-Datenobjekte und AAT einen Hinweis auf die strukturelle Position des Begriffs. Das Vorkommen eines Begriffs im AAT ist ein Hinweis auf den tatsächlichen Bedarf in der Museumsgemeinschaft. Stichprobenartig wird außerdem die Häufigkeit des Kandidaten in den Freitextindizes des DNB-Katalogs und der DDB sowie der entsprechenden Stichwörter in der DDB zur Einschätzung von Bedarf und Relevanz erhoben.

Die Mapping-Relationen werden in den Kürzeln von ISO 25964-2:2013 angegeben (Kapitel 4 und 11):

Spalten der Tabelle:

Tabelle 1: Indexterme aus dem Vokabular des DHM, für die beim automatischen Zeichenkettenvergleich keine Entsprechungen in der GND gefunden wurden, intellektuelle Mappings zur GND und Gründe für nicht erfolgreiche Matches.