ORCIDgraph

von Thorsten Wübbena

[Kontext]

Vor ungefähr drei Monaten fand die DHd 2020 „Spielräume: Digital Humanities zwischen Modellierung und Interpretation“ in Paderborn statt und wie jedes Jahr brachte auch diese DHd-Tagung nicht nur Einblicke in aktuelle Forschungsfragen, sondern versammelte eine Community und schaffte Gelegenheiten für Diskussionen. In der mittlerweile siebten Auflage der Konferenz kam im Austausch mit meiner Peergroup – also jenen, die schon ein paar Jahre länger im Job sind – mehrfach das Gespräch auf beobachtete und/oder selbst vollzogene berufliche Veränderungen der jüngeren Zeit. Die Überlegung, wer von uns denn in den vergangenen Jahren schon wo und mit wem zusammengearbeitet hatte, nahm ich mit und fragte mich: Wie könnte ein Personen-Affiliationen-Netzwerk der DHd-Tagung 2020 aussehen bzw. wie erstelle ich es auf möglichst geschmeidige Art und Weise?

[Netzwerk]

Bereits zur Kritik der digitalen Vernunft (DHd 2018) hatten Ulrike Henny-Krahmer und Patrick Sahle ein Netzwerk der Einreichenden visualisiert¹:

Und auch Vorhaben wie Sophie Schneiders Arbeit zur bibliotheks- und informationswissenschaftlichen Community auf Twitter² kommen einem hier direkt in den Sinn:

Wer tweetet in den Informationswissenschaften in Deutschland? Lässt sich ein zugehöriges Netzwerk rekonstruieren? Zeichnen sich Communities ab? Und welche Inhalte sind vertreten? Diesen und weiteren Fragen bin ich in meiner Bachelorarbeit nachgegangen: https://t.co/58z2dxzOvK pic.twitter.com/VoNGZtZTyV

— Sophie Schneider (@BibWiss) May 6, 2019

Zugleich konnte ich mich dem noch frischen Eindruck des auf der DHd-Tagung gezeigten Posters „Abstract Enhancement. Potentiale der DHd-Konferenzabstracts als Daten/Publikation“ von Peter Andorfer, Fabian Cremer und Timo Steyer, nicht entziehen, das die Problematik der Disambiguierung bei Institutionenwechsel anschaulich demonstrierte³:

Dadurch, dass ich im Laufe der DHd-Konferenzen von vier verschiedenen Einrichtungen aus beigetragen hatte, war ich nun vierfach vorhanden. Im Datensatz zur zugehörigen Forschungsarbeit der Kollegen fand ich aber auch eine strukturierte Auflistung der Einreichenden – der Ausgangspunkt für meinen Versuch, das DHd 2020-Netzwerk für mich zu erschließen.

[ORCID]

Schon recht bald nach der Tagung diskutierte ich das Thema mit Moritz Schepp⁴ weiter und wir kamen schnell auf die beiden zentralen Bausteine für das zu erstellende Netzwerk:

1. 1. Das ORCID-iD-Verzeichnis, das als Quelle für die Identifizierung von Personen und ihren (aktuellen und vergangenen) institutionellen Zugehörigkeiten dienen sollte.
   2. Das Datenbanksystem Neo4j, das neben entsprechenden Abfragen auch visuelle Darstellung und Exploration erlaubt.

Die für diesen Beitrag grundlegende Frage ist geradezu ein Klassiker der Digital Humanities: Wie kommen Informationsquelle und Analysewerkzeug zusammen?

[Hacking]

Für unseren proof-of concept extrahieren wir zunächst zunächst alle Personennamen aus dem Book of Abstracts (BoA) der DHd-Tagung 2020⁵ unter Zuhilfenahme der oben schon erwähnten „dhd-boas-app“ von Peter Andorfer und identifizieren dann mit Open Refine und dem „Reconciliation Service“ von Jeff Chiu⁶ die zugehörigen ORCID-iDs – soweit vorhanden.

Als Informationsquelle für die Affiliationen wählen wir das aktuellste „ORCID Public Data File“ (Stand: 17.10.2019), d.h. den Dump, nicht die ORCID-API, für die wir eine „Applikation“ registrieren müssten. Bei den aus dem ORCID-File erhaltenen Datensätzen entspricht jeweils eine XML-Datei einer ORCID-iD.⁷

<person:name visibility="public" path="0000-0001-8172-6097">
	<common:created-date>2016-04-15T21:22:06.033Z</common:created-date>
	<common:last-modified-date>2019-01-01T18:41:11.563Z</common:last-modified-date>
	<personal-details:given-names>Thorsten</personal-details:given-names>
	<personal-details:family-name>Wübbena</personal-details:family-name>
</person:name>
[...]
<common:organization>
	<common:name>Leibniz-Institut für Europäische Geschichte</common:name>
	<common:address>
		<common:city>Mainz</common:city>
		<common:region>Rheinland-Pfalz</common:region>
		<common:country>DE</common:country>
	</common:address>
</common:organization>

ORCID-iD-XML-Datensatz (Ausschnitt)

Mit den erhaltenen ORCID-iDs generieren wir dann mit Hilfe eines selbst geschriebenen Ruby-Skripts den benötigten Datensatz zu allen gewünschten Personen und den mit ihnen verbundenen Affiliationen⁸, wie wir ihn für die Verwendung in Neo4j benötigen.

Das Skript liest pro ORCID-iD im korrespondierenden XML-File, trägt die zur jeweiligen Person zugehörigen Namen der Affiliationen zusammen und normalisiert diese anhand einer vorher zu erstellenden Liste (s. ORG_MATCHES). Dieses Mapping wird durch die Option der freien Texteingabe in ORCID durch die Nutzer*innen unter Umständen notwendig, damit vorkommende Bezeichnungen wie z.B. „IEG Mainz“ und „Leibniz-Institut für Europäische Geschichte“ gleichgesetzt werden können.

{
"IEG Mainz": "Leibniz-Institut für Europäische Geschichte",
"Institut für Europäische Geschichte, Mainz": "Leibniz-Institut für Europäische Geschichte",
[...]
}

ORG_Matches (Ausschnitt, hier: das IEG)

Aus dieser Zusammenstellung der für uns interessanten Informationen wird dann eine Datenstruktur erzeugt, letztlich eine Liste von Statements, die in Neo4j abgearbeitet wird, woraus dann die entsprechenden Knoten und Kanten entstehen. In Neo4j importiert können dann diverse Abfragen zu gemeinsamen Zugehörigkeiten und Verbindungen von Personen über Affiliationen durchgeführt und dank des Neo4j-Browsers auch visuell dargestellt werden.

[Daten?]

An dieser Stelle sollte der Blogbeitrag zunächst enden, aber mein Kollege Fabian Cremer hat mich darauf aufmerksam gemacht, dass es neben der Prozessbeschreibung zur Nutzung von ORCID-Daten in einer Neo4j-Instanz auch von Interesse sein könnte, eine Einschätzung zu den konkreten Daten zu geben. Ihm fielen zum Beispiel sofort die wenigen Netzwerke und die recht geringe Anzahl der Entitäten vom Typ „Person“ auf. Die Erklärung dafür ist schlicht, denn im aktuellen „ORCID Public Data File“ sind nur ca. 41% der Einreichenden verzeichnet. Ferner haben wiederum nicht alle Personen eine zugehörige Einrichtung in ihrem ORCID-Datensatz eingetragen, andere nicht immer die aktuelle und noch weniger die vergangenen Affiliationen. Zugleich ist bei diesem „ersten Aufschlag“ eines Netzwerks die so wichtige temporale Ebene eingeebnet worden und die nicht minder wichtige räumliche Situation bleibt undifferenziert: Wer nicht mindestens zeitgleich an derselben Einrichtung und im Falle von großen Institutionen wie Hochschulen in der gleichen Untereinheit war, hat keine hinreichend signifikante Verbindung. Damit offenbart sich unseres Erachtens übrigens ein Muster der Digital Humanities: Ist die Datenlage uneinheitlich, legen funktionierende Methoden und Werkzeuge dies auch offen. Diese sind dann in erster Linie Instrumente der Quellenkunde, nicht der Analyse.

[Fazit]

In diesem Fall lag das Hauptaugenmerk auf dem proof-of-concept und dem Workflow, so dass die verhältnismäßig geringe Zahl der im ORCID-File identifizierbaren Einreichenden und die Frage der Aktualität der Datensätze in ORCID für das Ausloten einer grundsätzlichen Möglichkeit der Überführung eines ORCID-Daten-Subsets zu Neo4j bedauerlich, aber nicht weiter tragisch war. Unabhängig davon wird meines Erachtens aber das Potenzial deutlich, das vor uns liegt: Eine normalisierte Erfassung der Einreichenden durch die DHd (mit ORCID-iDs), eine breitere Nutzung und Pflege des Verzeichnisdienstes durch die Community und die Kombination mit weiteren Datenquellen (z.B. Co-Autorenschaft) würde die DHd-Community auch in ihrer virtuellen Repräsentation näher zusammenbringen.

Der Quellcode des Skripts ist bei GitHub zu finden.

---

---

1. Henny-Krahmer, Ulrike und Sahle, Patrick: Einreichungen zur DHd 2018, DHdBlog, 19.02.2018, https://dhd-blog.org/?p=9001 [↩]
2. Schneider, Sophie: Bibliotheks- und InformationswissenschafterInnen in der Twittersphäre. Informationspraxis (2020): Bd. 6 Nr. 1, https://doi.org/10.11588/ip.2020.1.63052 [↩]
3. Andorfer, Peter; Cremer, Fabian und Steyer, Timo. (2020): Abstract Enhancement. Potentiale der DHd-Konferenzabstracts als Daten/Publikation. Zenodo. https://doi.org/10.5281/zenodo.3705182 [↩]
4. https://wendig.io [↩]
5. Schöch, Christof. (2020). DHd 2020 Spielräume: Digital Humanities zwischen Modellierung und Interpretation. Konferenzabstracts. Christof Schöch. https://doi.org/10.5281/zenodo.3666690 [↩]
6. https://github.com/codeforkjeff/conciliator. [↩]
7. siehe dazu auch: https://members.orcid.org/api/basic-tutorial-reading-orcid-record-xml-30 [↩]
8. Hier sind nur Einrichtungen gemeint, die in der ORCID-Registry unter „Employment“ zu finden sind. [↩]

---

---